两点激励传递函数法在汽车结构模态分析中的应用

两点激励传递函数法,其输入可以是相干的,也可以是不相干的。本文就这两种情况分别进行了讨论,提出了利用现有单点激振设备进行数据处理的方法。并通过汽车车架的具体试验,提出了一些看法。     

一种基于特征的车辆检测方法

提出了一种应用单目视觉进行车辆检测的方法。该方法以车辆阴影以及边缘作为检测的主要特征。在图像预处理中采用自适应双阈值以满足不同光照条件下的使用要求;利用能量密度验证提高车辆垂向边界识别的准确性;用可变模型用来规划车辆检测范围,以满足不同距离车辆的检测需要。为提高车辆检测的准确性及效率,在算法中融合了雷达的探测数据。试验验证表明,该方法有较高的车辆检测准确率,并且能满足智能车应用中的实时性要求。     

车速控制系统自适应油门控制器设计

在分析非线性车辆纵向动力学模型及简化模型基础上，采用一种简化非线件模型设计自适应油门控制器，并应用李亚谱诺夫理论证明了传动系统存在动态过程时控制系统的稳定性。通过对基于简化线性和非线性模燃的自适应控制器的仿真研究，结果表明后者具有更好的收敛性。试验结果也进一步表明，基于非线性模型的自适应控制器可以通过自适应调节减小参数不确定造成的干扰，当传动系统存在动态过程时可以保证车速跟踪误差有界。     

分布式电驱动车辆的ACC协同控制

针对智能分布式电驱动车辆在纵向跟车运动中实施多性能目标协同控制的必要性和实时性问题,在分析分布式电驱动车辆结构与纵向动力学特性基础上,提出一种基于模型预测控制理论的自适应巡航控制算法,并采用缩减优化问题规模的方法,缩短单步计算时间,提升在线优化求解的运算效率。为验证算法有效性,搭建仿真平台,进行了相关的仿真和硬件在环试验。仿真和试验结果表明,所提出的控制算法能实现该车安全和节能的协同优化,且满足了控制实时性要求。     

类脑学习型自动驾驶决控系统的关键技术

作为高级别自动驾驶的下一代技术方向，类脑学习以深度神经网络为策略载体，以强化学习为训练手段，通过与环境的交互探索实现策略的自我进化，最终获得从环境状态到执行动作的最优映射。目前，类脑学习方法主要用于自动驾驶的决策与控制功能设计，它的关键技术包括：界定策略设计的系统框架、支持交互训练的仿真平台、决定策略输入的状态表征、定义策略目标的评价指标以及驱动策略更新的训练算法。本文重点梳理了自动驾驶决策控制的发展脉络，包括两类模块化架构（分层式和集成式）和3种技术方案（专家规则型、监督学习型和类脑学习型）；概述了当前主流的自动驾驶仿真平台；分析了类脑决控的3类环境状态表征方法（目标式、特征式和组合式）；同时介绍了自动驾驶汽车的五维度性能评价指标（安全性、合规性、舒适性、通畅性与经济性）；然后详述了用于车云协同训练的典型强化学习算法及其应用现状；最后总结了类脑自动驾驶技术的问题挑战与发展趋势。     

基于数字孪生技术的智能汽车测试方法研究

为加快自动驾驶功能的开发与验证，提出了一种基于数字孪生的智能汽车测试与评价方法。通过数字孪生测试技术，即真实车辆行驶在真实测试场地中，同时与虚拟的测试环境进行有效映射与结合，从而大大丰富智能汽车的测试验证环境、提高测试效率和减小测试成本。本文将真实测试车辆和仿真测试工具相结合，搭建起数字孪生自动驾驶测试平台，实现算法的验证测试与评价，并给出了相应的案例分析。智能汽车数字孪生测试与评价技术的快速应用，对于加快自动驾驶车辆开发和推广有着积极的推动作用。     

智能网联汽车通用跨平台实时仿真系统架构及应用

为解决跨平台实时仿真测试过程中数据通信方式不通用、系统架构多样且难拓展、缺乏跨平台多软件数据同步方式的问题，本文中提出了一种面向智能网联汽车的跨平台实时仿真系统架构。首先借鉴车载以太网传输层通信协议设计多仿真平台间数据通信，构建通用数据通信交互方式；其次，根据智能网联汽车系统测试需求，确定所需的实时测试平台、车辆动力学仿真平台、传感器测试平台及以太网测试平台，参考汽车总线的分布式架构，设计通用且可拓展的跨平台实时仿真系统架构；最后，建立数据中转平台作为系统数据通信中枢，实现多软件、多平台运行同步。以前方侧翻智能避障算法为例进行应用验证，结果表明，基于跨平台实时仿真系统架构所设计的仿真测试系统，可通过数据中转模块调节被测算法及多平台、多软件的仿真速度，低时延的通信方式及实时硬件仿真平台，保证多平台、多软件实时同步运行，数据交互通信方式统一，系统架构具备通用性、拓展性。