考虑参数估计的MPC算法的商用车车道保持控制

设计了一种考虑参数估计的模型预测控制（MPC）算法的、智能辅助驾驶的商用车的车道保持算法,对于难以直接测量的质量和横向速度进行估计。建立车辆动力学模型和状态误差方程,通过扩展Kalman滤波（EKF）和递推最小二乘法（RLS）分别对车辆的横向速度、质量进行估计。基于估计得到的车辆参数,设计MPC车道保持控制器。构建硬件在环（HIL）仿真平台,设置不同的测试工况对车道保持算法进行了验证。结果表明：与普通MPC相比,在偏移回正工况中,车辆纠偏消耗的时间减少28.6%,并且超调量更小;高速路工况的横向位置偏差的均方根误差减小了4.2 cm。该方法提升了纠偏能力和跟踪精度,降低了传感器成本。     

基于地空信息融合的无人机交通状态感知方法研究

现有的无人机（UAV）交通状态感知方法，主要针对宏观交通状态参数的获取，同时尚未克服UAV自运动对交通参数检测精度的影响，难以满足智能交通系统对于高精度微观交通参数的应用需求。为此，提出一种基于地空信息融合的UAV交通状态感知方法，该方法包括：地空信息融合模型、道路关键点（IKP）检测及跟踪、车辆目标检测及追踪算法和交通状态参数提取及估计。其中，地空信息融合模型利用地基信息（IKP世界坐标）与空基信息（IKP像素坐标）进行最优化融合，并通过自适应IKP追踪算法与自适应UAV位置偏移判断算法实时更新模型参数，以此克服UAV自运动对车辆轨迹精度的影响，进而获取可靠的车辆级（瞬时速度、车头间距和车头时距）与车道级（车道动态密度、车道流量和空间平均车速）交通状态参数。利用提出的感知方法获取实地拍摄视频的车辆级交通参数并进行了分布检验，同时比较了基于不同交通流模型的车道级参数估算方法。结果表明：该方法在车辆检测的mAP@0.5指数超过90%，同时提取的车辆轨迹相对完整，获取的车辆级和车道级交通状态参数也符合实际交通流状况。最后，将该模型应用于实地道路的交通拥堵检测及交通事件检测，该研究结果为UAV在现代交通感知和管理中的应用提供了一种理论和技术参考。     

基于二分法的车辆状态参数融合估计

为提高车辆状态参数估计的精度和可靠性,提出一种基于二分法的车辆状态参数融合估计方法。首先,设计了基于车辆3自由度动力学模型的扩展卡尔曼滤波算法和由数据驱动的径向基神经网络车辆状态参数估计算法。然后,为了进一步提高估计算法的可靠性和减小单一算法的估计误差,提出将模型驱动的估计算法和数据驱动的估计算法相补偿的融合估计方法,基于二分法设置扩展卡尔曼滤波和径向基神经网络估计结果的权重,利用估计算法的融合提高估计精度。最后通过MATLAB/Simulink与CarSim的联合仿真和实车在环试验对该融合方法的有效性进行了验证。结果表明,估计结果变化趋势与实际相符,所提出的融合算法的估计精度比单一扩展卡尔曼滤波算法和径向基神经网络算法有明显的提升。     

基于神经网络自适应滤波的车辆动态称重系统研究

针对车辆动态称重信号的特点,提出了一种车辆动态载重信号的处理方法。该方法采用基于神经网络的自适应滤波变步长LMS算法滤掉称重信号在各个频段内的噪声。在不同的环境下,对不同的车型,该技术适应性好,精度高,速度快。基于这种信号处理方法,开发了基于神经网络自适应滤波的车辆超载动态监测系统,选择高性能TMS32C2812芯片,设计了高效的软硬件系统,能够准确、及时测量高速公路上所经车辆的重量。     

基于深度学习的多目标车辆检测及追踪方法

文章是以MTALAB软件为主要平台,基于深度学习建立一种多目标车辆检测及追踪的方法。首先建立一个基于深度学习的模型用于训练的不同场景的车辆数据集,并对所采集的数据集进行标注和格式归一化处理。然后使用K-means聚类算法进行锚框,建立以YOLOv3SPP算法为主的神经网络框架,采用非极大值拟制（NMS）算法得到最终的预测框。最终训练神经网络模型,再对该模型进行测试和评定。经实验可以得出该模型能够准确地检测及追踪多目标车辆。     

基于ReliefF-RBF的路面不平度识别算法研究

路面不平度对道路车辆行驶安全性及车辆动力学响应具有重要影响。通过将路面不平度识别与先进悬架控制结合,有望能进一步提升乘员舒适性和车辆的操纵稳定性。现有基于数据驱动的路面分类方法难以高效处理时变参数与车速,现有基于模型的路面识别算法需要已知精确车辆模型,在实际应用中面临车辆物理参数难以获得的问题。提出一种融合模型和数据驱动的路面分类算法,采用基于模型的方法反算等效路面轮廓,结合数据预处理方法,对车辆响应和反算等效路面轮廓数据进行滤波;对等效路面轮廓和响应信息进行时域频域特征计算,采用ReliefF算法进行关键特征提取,构建基于径向基函数神经网络的路面分类器,进行路面分级识别;通过仿真试验和实车试验验证了不同车辆参数和车速下所提出的算法鲁棒性。     

基于SVM和Kalman滤波的公交车到站时间预测模型

提出一种基于支持向量机(SVM)和Kalman滤波的公交车辆到站时间预测模型.在该模型中,SVM基于历史数据,按照时间段、天气和路段3个输入特性,预测各路段车辆运行时间的基线;然后通过Kalman滤波利用最新的车辆运行信息,结合SVM输出的基线时间来动态预测车辆到达各时间点的实际时间;最后,应用大连市经济技术开发区7路公交线的数据对该模型进行了校验.实例验证结果表明:该模型具有较高的预测精度.     

基于轮边驱动电动汽车轮胎力估计的路面附着系数估算

为了能够实时准确的获得当前车轮的轮胎力及路面附着系数以提高汽车主动安全性能,提出一种轮边驱动电动汽车状态估计与路面附着系数估计相结合的估计方法。根据车载传感器及七自由度非线性车辆动力学模型,采用扩展卡尔曼滤波算法(EKF)进行车辆状态及轮胎力的估计。结合EKF估算结果和轮胎模型,采用递归最小二乘法(RLS)实时估计不同路面的附着系数。仿真结果表明:该方法可以在较为复杂工况下估计出不同的路面附着系数,估计精度较高,实时性较好。     

基于电池能量状态和车辆能耗的电动汽车续驶里程估算

为了提高续驶里程估算精度,在工况识别基础上提出一种基于电池能量状态和车辆能耗的续驶里程估算模型,该模型能有效地消除里程误差并具有较好的收敛性及鲁棒性。在Matlab/Simulink下建立电池模型及整车能耗模型,基于该模型建立工况特征参数与能耗之间的模糊规则库,再对电动空调单独进行续驶里程估算,基于卡尔曼滤波的方法对输出剩余里程进行优化。仿真及试验结果表明,与传统的续驶里程估算方法相比,采用基于电池能量状态和车辆能耗的方法不仅能提高剩余续驶里程估算精度,而且能解决在急剧变化的工况下剩余续驶里程大幅度波动的问题。     

基于车辆行驶数据的驾驶风格识别

车辆驾驶员驾驶风格对于汽车的燃油经济性和行驶安全性有重要的影响。文章就基于车辆行驶数据在驾驶风格识别方面的研究进行综述,首先介绍了驾驶员驾驶风格识别的基本流程,接着论述不同学者在驾驶风格识别方面使用的算法模型,包括支持向量机（SVM）算法、反向传播（BP）神经网络算法、随机森林模型算法,然后基于实际车辆行驶数据,利用不同驾驶风格识别模型对其进行实现分析,最后对驾驶员驾驶风格识别的研究工作进行了展望。     

基于智能驾驶员模型算法的长期跟车车速预测研究

针对新能源汽车能量管理中难以长期、精准地预测车速的问题，提出了一种基于模型的参数化车速预测方法，利用传感器和GPS提供的前瞻数据预测车辆的速度轨迹。首先根据整车动力学和车辆停车转弯趋势建立基于智能驾驶员模型（IDM）的车速预测算法；然后，从NGSIM公开数据集中筛选数据用于参数标定及仿真；最后，利用遗传算法（GA）对算法参数进行标定。仿真验证结果表明，优化后的车速预测算法在通畅或拥堵的交通环境中，对于长期车速预测均有较高的精度，误差可控制在8%～13%范围内。     

基于改进粒子滤波算法实现锂离子电池RUL预测

鉴于采用传统粒子滤波算法来预测锂离子电池剩余使用寿命(RUL)过程中,存在粒子多样性丧失现象而导致RUL预测精度较低的问题,引入线性优化重采样思想,建立了基于线性优化重采样粒子滤波(LORPF)的电池RUL预测方法。该方法以双指数模型作为电池老化模型,通过LORPF算法对模型参数进行迭代更新,实现电池RUL预测并给出预测结果的不确定性表达,最后使用美国国家航空航天局PCoE研究中心的电池数据和自主搭建实验平台的电池数据对所提方法与传统PF方法进行对比验证,结果表明该方法有效提高了RUL预测精度,其误差小于5%。     

公路隧道监控系统自适应滤波算法比较研究

通过分析公路隧道监控系统的构成,探讨监控数据传输过程中干扰的来源。综合考虑监控数据的特征,选用LMS算法和RLS算法研究对隧道监控数据的自适应滤波,并采用MATLAB平台实现对含有噪声数据的滤波处理。比较这2种滤波算法的性能,得出RLS自适应滤波法更适合于隧道监测数据的滤波处理。     

基于粒子滤波算法的动力电池容量估计模型研究

针对基于双指数模型和多项式模型的粒子滤波算法估计动力电池容量精度低的问题,提出一种融合指数项和多项式的组合模型估计动力电池容量,通过分析粒子滤波算法运行过程中双指数模型和多项式模型的参数迭代更新状态,提取两模型中的关键项形成组合模型,并分别以实验室条件下和用户工况下动力电池容量数据对组合模型进行验证。结果表明,两种条件下基于组合模型估计的动力电池容量精度均高于基于双指数模型和多项式模型估计的精度。     

48V重型商用车坡度传感器滤波算法研究

本文针对重型商用车48V混合动力系统坡度传感器信号易被干扰、随机噪声复杂的问题，对坡度传感器信号的随机漂移模型及自适应Kalman滤波算法进行研究，通过采集数据信息，利用赤池信息量准则（AIC）确定自回归AR模型阶数，考虑所建立的模型具有模型参数和噪声统计特性存在误差的特点，研究一种含有强跟踪滤波渐消因子的Sagu-Husa自适应Kalman滤波算法。经与标准Kalman滤波算法进行对比仿真，表明改进后的滤波算法对模型参数和噪声统计特性不敏感，故该滤波算法能够有效提高48V混动坡度传感器信号精度。     

基于车辆队列的饱和状态下城市主干道旅行时间估算方法

当前城市主干道过饱和交通流交通状况恶劣,交通拥堵时常发生,由于受信号灯的周期性阻滞作用,交叉口上游车辆淤积现象严重,传统的连续交通流模型无法用于估算城市主干道旅行时间.有鉴于此,提出了一种适用于中断交通流的基于车辆队列的旅行时间估算方法.基于道路上已有的存在型检测器,运用检测器采集的高精度实时数据,研究了车队识别和匹配方法,通过匹配车队信息,对通过饱和状态下城市主干道的车辆进行了实时旅行时间估算.在此基础上,利用Q-Paramics软件进行了实例模型仿真验证.通过对比算法估算值和仿真模型观测值,验证了算法的合理性和有效性,为评估饱和状态下的城市主干道交通状态奠定了基础.     

基于角点检测估算车辆间即碰时间

车辆间即碰时间(TTC)是驾驶辅助系统控制策略的基础,也是分析驾驶员驾驶行为的主要依据。为分析行车记录仪视频危险工况中驾驶员紧急制动时的TTC,提出了一种基于单目视觉估算算法。该算法先检测及跟踪车辆,判断前方有无车辆及其具体方位;再检测并匹配车辆角点,计算不同帧之间车辆图像的尺寸变化率,进而估算TTC。用最小二乘法、Kalman滤波方法处理数据;用多层金字塔图像来处理图像,实现了大运动的角点匹配。结果表明:该算法丰富了视频危险工况参数的分析方法,拓展了单目视觉的应用场景,为低成本驾驶辅助系统,提供了新的解决方案。     

基于模型的新能源汽车动力电池SOC估算方法的仿真研究

本文对目前动力电池SOC现状进行了简要介绍,然后提出了一种基于模型的新能源汽车动力电池SOC估算方法。该方法使用基于化学反应动力学的电池模型来预测动力电池的电荷和放电行为,并利用滤波器和卡尔曼滤波器来估算电池的SOC。仿真实验结果表明,该方法具有比较高的估算精度和稳定性,最后对动力电池SOC以后的发展进行展望。     

基于随机加权自适应容积卡尔曼的电池SOC估计

准确估计锂离子电池荷电状态（SOC）对于突破电动汽车发展瓶颈，推动电动汽车商业化至关重要。针对动力电池模型参数辨识问题，提出基于遗忘因子的递推最小二乘法（FRLS）的模型参数在线识别方法。实时测量动力电池电流和电压数据，在线辨识模型参数并实时更新，实时反映电池内部参数的变化过程，对电池动态特性进行实时模拟。针对容积卡尔曼（CKF）滤波过程中对噪声敏感的问题，提出一种基于随机加权思想的自适应容积卡尔曼滤波（ARWCKF）方法。相比于常规CKF容积点权值始终不变，通过引入随机加权因子，自适应调整容积点权值并对系统噪声、状态向量及观测向量进行预测，抑制系统噪声对状态估计的干扰，避免因容积点权重值固定所带来的误差。针对CKF算法在容积点计算过程中由于状态方差矩阵失去正定性导致的平方根分解无法使用的问题，提出基于奇异值分解的容积点计算方法，克服由于先验协方差矩阵负定性变化而导致的滤波精度下降等问题，并进行多种工况、温度下不同SOC初值的对比验证。结果表明：所提出的基于遗忘因子的递推最小二乘法的在线参数辨识及ARWCKF滤波方法具备良好的估计精度及收敛能力，最大电压估计误差不超过40 mV，SOC估计误差不超过1%。     

基于动态图注意力的车辆轨迹预测研究

针对目前轨迹预测研究中交互建模方法使用的图注意力网络（GAT）为静态注意力,无法有效捕捉复杂道路场景中车辆间交互的问题,提出了一种基于编码器-解码器架构的动态图注意力网络（ED-DGAT）预测高速公路环境中运动车辆的未来轨迹。编码模块使用动态图注意力机制学习场景中车辆间的空间交互,采用状态简化动态图注意力网络建模解码阶段车辆运动的相互依赖,最后使用NGSIM数据集评估所提出的模型,并与长短时记忆（LSTM）、联合社交池化与长短时记忆（S-LSTM）、联合卷积社交池化与长短时记忆（CS-LSTM）算法模型进行对比分析,结果表明,预测轨迹的均方根误差（RMSE）降低了25%,且模型的推理速度为CS-LSTM模型的2.61倍。