基于自然驾驶数据的跨江大桥小客车跟驰特性研究

为明确跨江大桥的跟驰行为特征以及驾驶模式,在重庆菜园坝大桥展开了30位被试的小客车实车驾驶试验,使用华测航姿测量系统和前视碰撞预警系统Mobileye 630采集自然驾驶状态下汽车的连续行驶速度、车头时距和车头间距等数据。通过筛选得到了725条有效跟驰轨迹数据,对比分析发现跨江大桥与城市一般道路的跟驰行为存在一定差异性,明确了菜园坝大桥车头时距和车头间距的分布特征,并且对强跟驰(小于1.6 s)、过渡区间(1.6~2.6 s之间)以及弱跟驰(大于2.6 s)3种跟驰状态和驾驶人性别差异下的跟驰数据进行了分析。结果表明:桥梁段车头时距分布集中在1.6 s处,车头间距分布集中在18 m处;超过1/3的跟驰轨迹处于强跟驰状态,此状态下前车驾驶行为对跟驰车辆具有较强制约性;当车辆处于弱跟驰状态时,前车对于后车的约束性会随车头时距的增大而快速降低;过渡区间的设立更好地揭示了强/弱跟驰状态之间的转变并不是只有一个临界值,而是存在一个转换过程,并且其间车辆跟驰特性的变化与驾驶人本身的操作行为存在较大关联;驾驶人的性别差异对跟驰距离几乎没有影响,但男性驾驶人往往会采取更加冒险的驾驶行为,平均车头时距、车头间距以及相对速度均高于女性驾驶人。     

欧曼超级重卡参加国内首次自动驾驶列队跟驰公开验证

<正>2019年5月7日,第5届智能网联汽车技术及标准法规国际交流会(ICV 2019)及"自动驾驶汽车列队跟驰标准公开验证试验"在天津西青区举行,这也是国内首次自动驾驶列队跟驰标准公开验证试验。最终,验证结果显示,本次进行验证的欧曼EST-A重卡以稳定车辆状态和优异的跟车距离,较同场验证的其它品牌重卡实现车间距更小,展现出福田戴姆勒汽车在自动驾驶领域尤其列队跟驰方面的技术优势,以创新引领商用车自动驾驶发展。     

基于计算机视觉的汽车整车尺寸测量系统

针对汽车尺寸测量的应用背景，根据双目视觉原理开发了一套基于计算机视觉的汽车整车尺寸测量系统。论述了该双目视觉测量原理及传感器模型，利用图像差值法实现车身目标检测，并在此基础上利用Sobel算法、阈值化等技术实现特征点提取。结合特征匹配与区域匹配技术实现立体匹配，并完成自动测量。试验结果表明，该系统可以实现汽车整车尺寸的自动、快速、准确测量。     

基于驾驶状态识别的自动紧急制动控制策略

针对自动紧急制动系统缺乏对驾驶员实际需求与个性化考虑的问题,提出一种基于驾驶状态识别的自动紧急制动控制策略。引入驾驶状态识别系数将驾驶状态分为激进型、标准型和保守型3类,并将其用于最小安全距离修正。结果表明,基于驾驶状态识别的自动紧急制动系统可以更好地协调车辆起始制动距离,车辆制动后与前车的最小安全距离更符合驾驶员的心理预期,提高了驾驶员的认可度与信任度。     

城市道路跟驰车辆驾驶员视觉感知滞后效应的研究

根据驾驶员的视觉感知阈及城市道路交通特点，分别建立了城市道路中直道、弯道以及超车3种情况下跟驰车辆驾驶员视觉滞后时间的计算公式。从城市交通具体参数计算结果表明，跟驰车辆驾驶员总反应时间中视觉感知滞后时间是不可忽视的。     

面向混合自动驾驶车流的协同自适应巡航控制EI北大核心CSCD

车联网V2V环境下能实时获取自车和周围车辆的运动状态、驾驶工况和道路环境,为汽车自适应巡航控制系统提供更准确的信息。为消除自动驾驶汽车(AV)和人工驾驶汽车(MV)混合行驶工况下的车头时距干扰对汽车纵向巡航控制的影响,提出了一种基于车联网V2V的协同自适应控制方法。通过车联网V2V实时采集车辆跟驰过程中车辆基本安全信息(basic safety message,BSM),进而获得车辆相对运动状态和驾驶行为序列;应用线性最优二次型方法建立驾驶操纵序贯链优化目标函数,再对扰动作用下的汽车运动状态改变量进行短时预测;在此基础上,以混合车流车头时距的最优均衡状态为目标,构建了车辆跟驰间距的滚动优化模型和协同自适应控制方法。实验结果表明,在头车加/减速行驶工况下,改进后的车辆控制器能更快响应前车运动状态的变化量,并在保证车辆安全跟驰间距的情况下,降低了车头时距,提高了道路通行能力。     

基于双里程计传感器融合的SLAM建图研究

在自动驾驶车辆研究领域中，SLAM车辆感知是热点研究领域之一，SLAM根据里程计类型可分为以视觉为主和以激光为主。两者本质上都以实现位姿估计和地图构建为目的，激光里程计主要是构建点云地图比较直观，视觉里程计构建的是稀疏视觉特征的地图。本文提出紧耦合双里程计传感器融合的SLAM框架，以完成实时状态估计和地图构建，并且具有高精度和鲁棒性。该方法可以有效地解决传统基于视觉或激光算法或者视觉和激光单一松耦合中累积误差的问题，框架融合了视觉与激光惯性的各自优点而形成两个子系统，这两个子系统采用紧密耦合方式进行设计，构成一个完整的系统。实验通过Ouster数据集评估绝对轨迹整体误差，并且该方法在自动驾驶接驳车中的应用表现出较高的精度。     

考虑前后多车的网联自动驾驶车辆混流跟驰模型

随着中国新基建战略的提出及自动驾驶和网联通信技术的不断发展，网联自动驾驶车辆（CAV）、自动驾驶车辆（AV）和常规人驾车辆混行的交通流将在未来长时间存在。建立适用于网联自动驾驶车辆、自动驾驶车辆和常规人驾车辆3种类型车辆的混流跟驰模型，考虑多前后车车头间距、多前车速度差、加速度差、与主体车辆的相对距离等因素，并进行典型场景的数值仿真。刹车和起步过程的3种混流数值仿真结果显示，模型在几种典型混行场景下均具有可行性，车辆的加速度和速度变化更为平缓。不同CAV比例下的数值仿真结果显示，车队中CAV比例越高，车队整体恢复至平稳状态的时间越短，波动幅度越小。CAV均质流数值仿真结果表明，与MHVAD模型相比，该模型不稳定区域减小33.8%，所控制的车队速度波动幅度减小14%。CAV与AV混流的数值仿真结果显示，与PATH实验室模型相比，由该模型控制的车队加速度进入相对稳定状态提前5.5 s。该模型可用于不同车辆均质流及3种车辆混行的队列控制，在目前开展混行实车试验困难的情况下，也可应用该模型进行混行跟驰仿真，从而为混行交通流的道路交通管理及基础设施布设提供理论依据和模型支持。     

车路协同下HMI对跟驰行为与视觉特性的影响

为研究车路协同系统对驾驶员跟驰行为和视觉特性的影响,基于驾驶模拟器搭建高速公路场景和车路协同环境,针对常规状态和意外事件这2种情况,采集跟驰过程中的驾驶行为数据和驾驶员眼动数据,对比分析了有HMI和无HMI这2种情况下的车头间距、车头时距、加速踏板深度、平均制动次数及驾驶员在每个区域的注视时长和扫视频率等行为变量.分析结果表明,常规状态的跟驰过程中,设置HMI车辆的车头间距和车头时距分别增大12.91%和23.70%,加速踏板使用幅度及制动踏板平均使用次数分别降低7.55%和10.14%,设置HMI可使驾驶员注视车辆前方区域的时长减少,在HMI区域的注视时长占总时长的6.18%,而扫视频率没有明显变化;在意外事件的跟驰过程中,HMI的预警对速度和车头时距产生显著性影响,使方向盘转角和加速度方差变化幅度减小,且在保证安全距离的前提下,通过不停地扫视以获取换道时机.      

基于双目视觉的前车距离识别方法

本文提出一种基于双目视觉系统,对道路上各对象进行特征识别的方法。首先利用Canny算子和霍夫变换等图像处理方法检测出道路区域,以提高其后的图像处理效率;然后在道路区域内部通过阴影识别方法对车辆进行识别;最后利用双目视觉几何关系,对对象物体距离进行比较。实验结果表明,通过本文所述方法可准确识别出图像中各对象及其距离关系。     

车路协同环境下行人目标信息融合算法研究

车载行人识别系统由于存在检测距离精确度不高及受遮挡影响较大等问题,在弯道及交叉口情况下适应性差.为提高行人防碰撞系统的预警效果,提出在车路协同环境下的行人目标信息融合算法研究.采用路侧和车载摄像头检测行人轨迹信息,通过 Kalman 滤波进行信息预处理,其次分别通过时间对准、空间对准、轨迹关联和信息融合完成对行人目标的位置估计.最后,搭建实车实验平台,对提出的信息融合算法进行验证.实验结果显示,对于 X 方向的行人轨迹误差,通过轨迹融合后,行人轨迹最大绝对误差、绝对平均误差相比于融合前均有大幅度减小,分别为50.00%,55.56%;对于Y 方向的行人轨迹误差,通过轨迹融合后,行人轨迹最大绝对误差、绝对平均误差相比于融合前均有大幅度减小,分别为40.00%,62.07%.实验结果表明,该融合算法提高了行人轨迹检测精度,增强了系统的预警精确度.     

基于着陆器帮助的月面巡视探测器定位方法研究

提出了以着陆器为基站,采用立体视觉测量技术以及彩色图像分割的方法,进行跟踪测量的月面巡视探测器定位方法,能够对惯导系统加里程计的定位方法进行修正,减小月面巡视探测器的计算工作量。在定位方法的研究中,采用彩色图像分割方法,能够适应各种光照条件的影响,并且运算速度快,能够达到实时图像伺服控制的目的。通过月面巡视探测器上制作特征点及采用模式识别技术,提高了图像匹配概率。通过卡尔曼滤波技术,能够满足任意时刻的月面巡视探测器定位要求。     

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。     

基于自然驾驶数据的跟车场景潜在风险评估

为弥补传统风险评价指标对相对速度较小的跟车场景危险水平评价能力的不足,减少跟车场景中追尾事故的发生,提出了跟车场景潜在风险的概念。将假定前车以较大制动减速度减速条件下的风险称为潜在风险,并构建了代表驾驶人在潜在危险跟车场景下进行避撞操作需满足的最大反应时间的参数时间裕度（TM）。由于追尾危险工况中常见采取的避撞操作可分为制动和制动转向两大类,分别对典型制动避撞过程和制动转向避撞过程进行了分析,从而推导出分别针对2种跟车潜在危险场景的TM计算方式。通过自动筛选与人工筛选结合,获得了中国自然驾驶数据库（China-FOT）中具有中国驾驶人特点的制动避撞危险工况87个和转向制动避撞危险工况40个进行分级,并基于图像处理方法提取了前车制动开始时刻的TM值,从而得到跟车场景潜在风险两级危险域的划分。结果表明：制动避撞场景下,本车车速过低和过高时,TM值的变化均不明显;而在制动转向避撞场景中,只有速度较高时阈值才保持不变。通过对正常驾驶视频的分析,引入对比组共计正常跟车制动工况163例和正常跟车转向变道工况151例的车头时距（THW）值,其统计分析结果与支持向量机分类结果均难以清晰描述跟车场景危险水平与本车速度之间的关系。为研究跟车场景潜在风险评价在自动驾驶中的应用,对于制动避撞场景,在设定TM值不变和相对速度不变的条件下,分别对基于TM的最小相对距离和距离碰撞时间（TTC）值进行了仿真,仿真结果显示,相比于TTC而言,TM的评价稳定性受相对速度影响小,在自动驾驶跟车策略开发和避免其发生责任追尾事故中有重要应用价值。     

An Extended Adaptive Kalman Filter for Real-time State Estimation of Vehicle Handling Dynamics

This paper considers a method for estimating vehicle handling dynamic states in real-time, using a reduced sensor set; the information is essential for vehicle handling stability control and is also valuable in chassis design evaluation. An extended (nonlinear) Kalman filter is designed to estimate the rapidly varying handling state vector. This employs a low order (4 DOF) handling model which is augmented to include adaptive states (cornering stiffnesses) to compensate for tyre force nonlinearities. The adaptation is driven by steer-induced variations in the longitudinal vehicle acceleration. The observer is compared with an equivalent linear, model-invariant Kalman filter. Both filters are designed and tested against data from a high order source model which simulates six degrees of freedom for the vehicle body, and employs a combined-slip Pacejka tyre model. A performance comparison is presented, which shows promising results for the extended filter, given a sensor set comprising three accelerometers only. The study also presents an insight into the effect of correlated error sources in this application, and it concludes with a discussion of the new observer's practical viability.     

Identifying tyre models directly from vehicle test data using an extended Kalman filter

Individual tyre models are traditionally derived from component tests, with their parameters matched to force and slip measurements. They are imported into vehicle models which should, but do not always properly provide suspension geometry interaction. Recent advances in Global Positioning System (GPS)/inertia vehicle instrumentation now make full state measurement viable in test vehicles, so tyre slip behaviour is directly measurable. This paper uses an extended Kalman filter for system identification, to derive individual load-dependent tyre models directly from these test vehicle state measurements. The resulting model therefore implicitly compensates for suspension geometry and compliance. The paper looks at two variants of the tyre model, and also considers real-time adaptation of the model to road surface friction variations. Test vehicle results are used exclusively, and the results show successful tyre model identification, improved vehicle model state prediction – particularly in lateral velocity reproduction – and an effective real-time solution for road friction estimation.     

基于扩展卡尔曼滤波的车道融合跟踪

车道检测算法的研究是智能车辆自动导航的首要环节。与目前基于视觉的车道检测与跟踪系统不同,本文提出一种基于扩展卡尔曼滤波的车道融合跟踪方法。该方法利用毫米波雷达探测到前方车辆的距离信息,并采用扩展卡尔曼滤波技术和图像处理技术,建立车道跟踪的动态视觉窗口,提取车道边界,并判断前方车辆相对于车道的位置。该方法大大缩减了处理时间,且增强了系统的鲁棒性。     

基于探测车数据的路段行程时间估计

利用探测车数据进行路段行程时间估计面临着两类误差：采样误差和非采样误差,从而导致估计结果精度不高和可靠性差。在回顾已有估计方法的基础上,有针对性地引入了自适应式卡尔曼滤波,建立了相应的状态方程和观测方程,利用相似时间特征的历史数据标定了状态转移系数,并对滤波进行了求解。以实际数据对估计方法进行了验证,平均相对误差为13.13%。研究表明,自适应式卡尔曼滤波能够应用到基于探测车数据的路段行程时间估计中来,并具有估计精度高、收敛速度快、参数少、对初值不敏感等优点。     

基于扩展卡尔曼滤波神经网络算法的公路货运周转量预测

介绍了扩展卡尔曼滤波的原理,针对人工神经网络神经元之间权值的调整过程,建立了权值调整的状态空间模型,并采用扩展卡尔曼滤波对该模型的状态变量进行递推估计.文中仿真以全国历年公路货运周转量为例,分别采用BP算法和扩展卡尔曼滤波算法对神经网络进行训练,2种训练方法预测的结果对比表明扩展卡尔曼滤波训练算法具有更好的准确性和更高的运算效率.