基于自然驾驶数据的自动驾驶汽车安全性评价方法

自动驾驶汽车进行大规模市场推广前必须进行准确可靠的安全性评价，由于自动驾驶系统复杂程度的增加及设计运行区域的扩大，面向传统汽车的评价方法已不能满足自动驾驶汽车的安全性评价需求,基于此，建立一种基于自然驾驶数据的自动驾驶汽车安全性评价方法，可解决现有方法在逻辑场景层面安全性评价的缺陷。首先，建立基于自然驾驶数据的逻辑场景构建流程，分析场景描述参数，搭建自然驾驶数据采集平台采集相关自然驾驶数据，采用高斯分布模型描述参数概率分布；进而，离散逻辑场景参数空间获取具体测试用例，并在建立的PreScan、CarSim和MATLAB联合仿真平台中对被测自动驾驶算法进行仿真遍历测试，通过高斯模型将测试结果中的危险场景参数聚类，获取被测算法在逻辑场景中的危险区域；最后，综合考虑逻辑场景参数空间概率分布和得到的相应逻辑场景危险区域，提出基于自然驾驶数据的自动驾驶汽车安全性评价指标——场景风险指数，并以前车制动和前车切入场景为例，给出某黑盒算法的具体评价示例。研究结果表明：被测算法在前车制动场景和前车切入场景中的场景风险指数分别为0.409 8和1.08×10^-5，在前车制动场景中具有较大的安全风险，与仿真测试的直观结果相符；通过比较计算得到的场景风险指数与实际仿真测试结果可证明所提出的方法可以实现逻辑场景层面的自动驾驶安全性量化、易于操作、贴近自然驾驶情况。     

自动驾驶汽车乘员个性化乘坐舒适性辨识方法

针对自动驾驶车辆轨迹规划控制算法无法满足乘员个性化舒适性问题,结合自然驾驶数据和乘员乘坐舒适性需求,建立乘员个性化舒适性辨识方法。首先确定主观舒适性评价方式,基于标准ISO2631搭建频域和时域加权滤波函数,提取自动驾驶汽车乘员舒适性主客观特征参数,辨识乘员个性化舒适性与自动驾驶车辆行驶规划参数关系;随后搭建自然驾驶数采平台,采集影响舒适性的行驶参数和主客观参数;利用因子分析对行驶参数降维,得到三向运动(横向冲击、纵向加速、垂向振动)、行驶风险和效率影响因子;最后运用加权分析方法辨识模型,并通过卡尔曼滤波算法快速准确识别乘员个性化需求,得到舒适度加权方均根阈值。辨识结果表明:乘员主客观舒适度相关性达85.8%;三向运动因子对乘员舒适性影响大于行驶风险和效率因子;乘员个性化舒适性辨识率高达93.9%。本研究可为搭建考虑乘员舒适性的个性化轨迹规划控制算法提供理论支持。     

智能驾驶测试拟人度评价体系和应用研究

随着汽车L2&L4智能驾驶技术的广泛应用，在保证智能性、安全性的前提下，舒适性评价逐步成为智能驾驶品质的评价标准之一。文章初步探索智能驾驶舒适性的拟人度评价方法，建立了关键评价要素和经验值，通过实车的调校并结合算法实现了对智能驾驶车辆的拟人度舒适性评价，促进智能驾驶汽车有越来越趋向于“老司机”的驾驶熟练度和舒适性。     

考虑驾驶员操作误差的混合动力汽车队列生态驾驶控制

鉴于现有生态驾驶控制的研究多基于完全智能网联环境,不适用于传统人类驾驶汽车和网联汽车混行的交通场景,本文中以包含人类驾驶汽车和网联汽车的混合动力汽车队列为研究对象,提出一种考虑驾驶员操作误差的分层生态驾驶控制方法。基于随机模型预测控制算法设计上层控制器以实现车队机动性、燃油经济性和舒适性多目标优化,采用自适应等效燃油消耗最小化策略设计下层控制器以优化车辆发动机与电池的功率分配。仿真结果表明,所提出的方法可有效降低驾驶员操作误差导致的车队中混合动力汽车速度轨迹的偏移量,车辆平均油耗降低2.82%。     

无人驾驶面向未来的驾驶辅助技术

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。博世公司正致力于这些领域的技术创新，开发面向未来的驾驶辅助系统。这些系统可以在时速0～50km／h时启动，针对车辆频繁起停的交通状况。     

考虑前车安全速度效应的自动驾驶车辆异质交通流特性分析

随着自动驾驶技术的发展,自动驾驶车辆获取的信息更加完善。为研究考虑前车安全速度效应条件下自动驾驶车辆对高速公路交通流的影响,以双车道元胞自动机模型为基础,建立考虑前车安全速度效应的跟驰规则和换道模型。利用MATLAB数值模拟高速公路异质交通流,分析考虑前车安全速度效应的自动驾驶车辆对道路交通流的影响,并分析车辆的拥堵情况和换道情况。研究表明,考虑前车安全速度效应的自动驾驶车辆可以显著提升道路通行能力,全自动驾驶车辆可达全人工驾驶车辆交通流的近似2倍;考虑前车安全速度效应的自动驾驶车辆的增加可以降低道路拥挤程度,全自动驾驶车辆比全人工驾驶车辆发生拥堵的临界密度提高了20 veh/km;自动驾驶车辆渗透率的增加会增加相应的换道次数,全自动驾驶车辆情况下,自动驾驶车辆基本不发生换道行为,同时智能网联车辆可以减小暴露碰撞安全性风险。     

基于TD3算法的人机混驾交通环境自动驾驶汽车换道研究

提高人类驾驶人的接受度是自动驾驶汽车未来的重要方向,而深度强化学习是其发展的一项关键技术。为了解决人机混驾混合交通流下的换道决策问题,利用深度强化学习算法TD3（Twin Delayed Deep Deterministic Policy Gradient）实现自动驾驶汽车的自主换道行为。首先介绍基于马尔科夫决策过程的强化学习的理论框架,其次基于来自真实工况的NGSIM数据集中的驾驶数据,通过自动驾驶模拟器NGSIM-ENV搭建单向6车道、交通拥挤程度适中的仿真场景,非自动驾驶车辆按照数据集中驾驶人行车数据行驶。针对连续动作空间下的自动驾驶换道决策,采用改进的深度强化学习算法TD3构建换道模型控制自动驾驶汽车的换道驾驶行为。在所提出的TD3换道模型中,构建决策所需周围环境及自车信息的状态空间、包含受控汽车加速度和航向角的动作空间,同时综合考虑安全性、行车效率和舒适性等因素设计强化学习的奖励函数。最终在NGSIM-ENV仿真平台上,将基于TD3算法控制的自动驾驶汽车换道行为与人类驾驶人行车数据进行比较。研究结果表明：基于TD3算法控制的车辆其平均行驶速度比人类驾驶人的平均行车速度高4.8%,在安全性以及舒适性上也有一定的提升;试验结果验证了训练完成后TD3换道模型的有效性,其能够在复杂交通环境下自主实现安全、舒适、流畅的换道行为。     

无级变速汽车驾驶模拟器的模糊控制器设计

为了设计无级变速汽车自动驾驶模拟器的模糊控制器，建立了简化的无级变速汽车驾驶模拟器模型。通过仿真分析了模糊控制器的隶属函数形状和解模糊算法等对控制器性能的影响，提出了适合于车辆在复杂运行工况下的模糊控制策略，为无级变速汽车传动系统的模糊控制器的设计提供了理论依据。     

如何正确驾驶自动变速器轿车

随着轿车价格不断下降，可供选择的款式越来越多，越来越多的朋友拥有了自己的轿车。大部分女性在选购汽车时都很注重舒适性、安全性和使用性，偏爱易于操控的自动排挡小轿车。这种轿车的自动变速系统可以根据实际需要进行升挡和降挡，操控简单，大大减轻了驾驶时的体力消耗，的确是购买的首选，尤其适合女性。     

自动驾驶等级提高条件下驾驶人驾驶姿势变化规律分析EI北大核心CSCD

为研究驾驶人在自动驾驶等级提高条件下的坐姿变化规律,基于直接测量的人体标志点位计算人体内部目标标志点并构建人体模型,确定驾驶人在驾驶过程中7个部位的关节角度,定量描述L0和L3级自动驾驶坐姿特征差异。结果表明,自动驾驶等级由L0提高到L3后,驾驶人的肘部屈曲、胸腹部屈曲、膝盖弯曲度不同程度的增大导致活动空间得到扩展,坐姿舒适度有所提高,而腰背部后倾的趋势加深,上躯干倾向处于扭曲或压缩状态,腰背部由于得不到充分支撑而疲劳,降低了乘坐舒适性。自动驾驶等级的提高改变了驾驶任务,因此驾驶人坐姿特征发生显著变化。本文可为高度自动驾驶汽车的驾驶室布局与自动驾驶功能研究提供重要参考依据。     

自动驾驶仿真多逻辑场景综合评价方法

基于场景的仿真测试方法已成为解决自动驾驶汽车性能验证的核心思路,该方法将车辆连续驾驶过程进行分割获取非重复的独立场景片段,并在仿真环境中进行测试。与测试过程相贴合,本文提出了一种自动驾驶仿真多逻辑场景综合评价方法。首先建立自动驾驶汽车多逻辑场景综合评价方法,明确兼顾场景自身特征信息及仿真过程信息的场景权重分析流程;通过暴露度、失控度、危害度建立逻辑场景自身特征信息权重;建立包含仿真精度信息、要素种类信息、参数空间信息、离散步长信息的仿真过程信息权重;基于HighD数据集抽取前车制动、前车左侧切入、前车右侧切入场景信息,并基于本文提出的方法及基准算法测试结果计算场景权重,最终获取两种被测算法在多逻辑场景中的综合评价结果。     

自动驾驶条件下城市道路机动车道宽度设计的思考

自动驾驶汽车的技术模式有别于传统汽车,对道路设计的要求也发生了变化。为深入研究自动驾驶条件下城市道路的机动车道宽度,从车辆外廓尺寸、车辆速度、车辆技术性能等角度,对传统车辆和自动驾驶车辆进行对比分析,判断适应自动驾驶车辆的城市道路机动车道宽度设计标准。研究表明,自动驾驶车辆的车距精确控制与车队化运行模式可提高道路通行能力,节约空间,提升慢行舒适性。城市干路条件下,自动驾驶车辆的横向摆动大幅缩小,2.85～3.05 m的机动车道宽度即可满足自动驾驶车辆的行驶需求。研究成果可为城市道路规划设计提供参考。     

基于混合A*算法的自动驾驶汽车轨迹生成

自动驾驶汽车混合A*算法运行迅速,但是难以保证曲率的连续性和汽车舒适度,并且不能保证优化后的结果无碰撞。针对以上问题,以提高汽车舒适性为目的,基于最小冲击度对A*算法进行优化,在MATLAB和栅格地图中进行了算法预研,解决了低速场景下自动驾驶汽车运动过程中舒适度不足的问题。然后,针对优化算法可能导致轨迹碰撞的问题,对优化算法进行了改进,保证了汽车的安全性,并给出了“走廊”自动调整的策略。仿真结果表明:优化后的轨迹无碰撞且曲率更小,加速度不超出正常范围,可以满足正常驾驶需求。     

智能驾驶车辆乘员舒适性研究综述

随着智能驾驶技术的发展,乘员乘坐舒适性成为了评判智能驾驶品质的标准之一。文章对智能驾驶汽车乘员舒适性改善方法的国内外研究进展进行了详细调研,分别从智能驾驶汽车人机交互、控制方法以及发展趋势进行了归纳,为高乘员舒适性的智能驾驶系统开发提供理论和方法借鉴。     

基于封闭办公园区的自动驾驶场景分析

目前,自动驾驶汽车逐渐商用于封闭办公园区,如物流车、观光车。自动驾驶汽车的开发验证需要大量的实车道路测试,实车道路测试存在成本高、周期长、无法复现极端场景,因此基于封闭办公园区场景的仿真测试是解决自动驾驶开发验证的主要途径。为真实还原物流车、观光车等自动驾驶汽车的行驶环境,本文基于封闭办公园区的道路特征,并结合相关标准整理并分析得出适用于封闭办公园区的自动驾驶汽车功能,梳理出适用于封闭办公园区的测试用例,并通过控制器在环方式验证。试验表明该测试用例能够基本满足自动驾驶控制器的测试需求。     

自动驾驶汽车的智能决策模型研究

行为决策系统在很大程度上反映了自动驾驶汽车的智能化水平,作为自动驾驶汽车的大脑,行为决策系统决定了自动驾驶车辆的可行性和安全性。文章基于行车效率与行车安全对高速自动驾驶汽车的智能决策进行了研究。通过引入能效函数与动态子区域监测系统,实时计算本车道与相邻车道的行车能效值以及本车与周边车辆的碰撞风险,并基于此确定最优驾驶策略,一定程度上提升了自动驾驶车辆的行车效率与安全。     

智能汽车自动驾驶的控制方法分析

自动驾驶汽车通过使用电脑系统来实现无人驾驶的目的 ,自动驾驶模式的应用能够有效地解决各种类型的交通事故,降低人力成本,对促进社会发展具有重要的实用意义.但自动驾驶控制技术仍然存在诸多问题,例如传感器的可靠性不强、控制系统存在漏洞等都影响着自动驾驶技术的安全性.基于以上背景,首先阐述了智能汽车自动控制系统的原理以及设计架...     

基于逆向强化学习的纵向自动驾驶决策方法

基于人类驾驶员数据获得自动驾驶决策策略是当前自动驾驶技术研究的热点。经典的强化学习决策方法大多通过设计安全性、舒适性、经济性相关公式人为构建奖励函数,决策策略与人类驾驶员相比仍然存在较大差距。本文中使用最大边际逆向强化学习算法,将驾驶员驾驶数据作为专家演示数据,建立相应的奖励函数,并实现仿驾驶员的纵向自动驾驶决策。仿真测试结果表明：相比于强化学习方法,逆向强化学习方法的奖励函数从驾驶员的数据中自动化的提取,降低了奖励函数的建立难度,得到的决策策略与驾驶员的行为具有更高的一致性。     

混合动力车辆遥控驾驶扭矩控制研究

遥控驾驶应用到汽车上是为了提高整车的舒适性和适用性,文章以混合动力车辆PO+P3+P4架构为例,研究了遥控驾驶时的扭矩分配策略,同时为满足遥控驾驶的安全性和提高车辆的通过性,详细阐述了两种扭矩补偿的控制策略,最终实现遥控驾驶车辆5km/h的匀速行驶。     

考虑自动驾驶平稳性的交叉口通行能力研究

为研究考虑自动驾驶平稳性的城市十字交叉口通行能力问题,建立了自动驾驶汽车模型,采用VISSIM软件对十字交叉口在混合交通流下的交通状况进行仿真实验,分析了不同自动驾驶汽车比例和驾驶偏好对十字交叉口的行程时间、平均车速和延误的影响规律。结果表明:在自动、手动驾驶汽车车速分别为30km/h和50km/h的场景下,增大自动驾驶汽车比例,平均车速下降且波动大,汽车行程时间与平均延误增加,延误由十字交叉口向外扩散;提高自动驾驶汽车车速至50km/h并改变信号配时,汽车行程时间最高缩短24%,平均车速提高且保持稳定,十字交叉口延误扩散情况得到改善;对比不同驾驶偏好的研究发现,限制最大加/减速度时,减小停车间距与车头时距能够提升十字交叉口通行能力。