基于车辆动力学混合模型的智能汽车轨迹跟踪控制方法

基于机理分析的车辆动力学建模过程通常进行简化及假设,无法准确计算实际车辆在不同道路条件下的动力学变化,进而导致智能汽车轨迹跟踪控制精度低、不稳定等问题。鉴于此,本文中提出了一种基于混合建模技术的非线性建模与控制方法,构建机理分析-数据驱动的车辆动力学串联混合模型,车辆状态与控制数据经机理模型实现计算处理,级联合并后作为数据驱动模块的输入,长短时记忆网络作为主干网络实现时序数据的非线性关联特征提取和最终的模型输出计算。测试结果表明,该模型可以补充计算机理模型中的部分未建模动态并提高模型计算精度,且具有隐式理解不同路面附着条件的能力。其次,使用Euler积分完成对预测模型的离散化并设计模型预测控制轨迹跟踪算法,设计前馈反馈控制算法在实现车辆的纵向控制的同时提供横向控制中预测模型所需的外部输入,最终实现更符合实际行驶环境且更精准的轨迹跟踪控制效果。CarSim/Simulink联合仿真结果表明,该方法实现了不同道路附着系数下控制量精确输出,同步提升了智能汽车轨迹跟踪控制精度和稳定性,具有良好的横纵向协调控制效果。     

基于驾驶员避撞行为的行车风险判别方法的仿真研究

提出了一种基于驾驶员避撞行为的行车风险状态分类方法,并综合考虑驾驶员驾驶行为、道路和环境因素对行车风险状态变化的影响,运用支持向量机(SVM)建立不同行车模式下行车风险判别算法。基于美国弗吉尼亚理工大学"100-car"自然驾驶数据对预测算法进行了训练和验证,结果表明,在进行行车风险状态预测建模时考虑驾驶员行为、道路和环境因素的差异(特别是驾驶员分心状态)将有利于提高预测模型的准确率;另外,在满足假正率低于5%的条件下,本文构建的预测算法对未来行车过程中的高风险状态预测具有较高的准确率,有助于对临近危险状态的驾驶员给予及时的警告或辅助纠正,为防撞预警策略和控制方法的研究提供了新的思路。     

基于方向可变H aar特征和双曲线模型的车道线检测方法

针对快速路车道线易受多种因素影响而较难检测的问题,提出了一种基于方向可变 Haar特征和双曲线模型的分布式车道线检测方法。首先对车载摄像头进行标定,确定图像中车道平面消失线的位置,将车道平面消失线以下部分的下2/3区域作为感兴趣区域Ⅰ。利用边缘分布函数获得感兴趣区域Ⅰ内车道线直线模型倾角,再采用方向可变 Haar 特征提取边缘特征点并拟合车道线直线模型,利用直线模型参数进一步确定感兴趣区域Ⅱ。提出一种单方向搜索算法,提取边缘特征点并利用双曲线模型拟合获取完整的车道线模型。通过约10000幅实际道路图片对车道线检测方法进行验证。验证结果表明：检测方法能很好地实现多种环境下的车道线检测,在晴好天气检测率为99．9％,不良天气检测率为99．7％。     

基于改进级联卷积神经网络的交通标志识别

自动驾驶场景中交通标志的检测和识别十分重要,为提高自然场景下交通标志检测精度,本文中提出了一种基于Cascade-RCNN改进的交通标志识别算法。首先,针对交通标志这类小目标特殊任务,将FPN模块的深层特征信息融合进浅层特征层。其次,改进了目标检测任务中的评价指标IoU,引入目标检测任务的直接评价指标GIoU指导定位任务,提高了检测精度。最后,算法在德国交通标志数据集GTSDB下进行了实验验证,以ResNet101为基础特征提取网络,mAP可达98.8%,实验结果表明了所提算法的有效性,具有优越的工程实用价值。     

基于差动和自主转向协调的分布式驱动无人车轨迹跟踪

分布式驱动无人车能通过差动转向和原有自主转向的共同作用保证车辆的轨迹跟踪。在2自由度车辆动力学模型基础上,基于模型预测控制算法,提出预瞄时间自适应的轨迹跟踪方法,以满足转弯和直行工况的预测要求;考虑分布式驱动无人车构型特点,基于参考横摆角,采用左右两侧驱动轮转矩差动控制,能在保证无人车总体转矩需求不变的情况下实现轨迹跟踪。为综合上述两种方法的优点,提出了利用设置权重的方法对自主转向和差动转向轨迹跟踪进行协调控制,并进行了Matlab与Car Sim的联合仿真和实车实验验证。结果表明,协调控制有效改善了转向的响应速度和灵活性,同时提高了无人车轨迹跟踪的可靠性和准确性。     

基于改进分层可拓理论的智能汽车AFS/DYC协调控制

针对紧急避障及大曲率工况的稳定控制难题，提出基于改进分层可拓理论的AFS和DYC协调控制系统，引入了鲸鱼算法解决了可拓边界的自适应划分问题，既简化了分层可拓理论的边界确定过程，又遏制了控制器的一些较为强烈的输出振荡，显著提高了车辆控制的稳定性和安全性。所提AFS/DYC协调控制系统分上下两层，上层是改进分层可拓协调模块，下层是AFS/DYC控制器模块。上层可拓协调模块主要通过横摆角速度、纵向车速以及规划路径曲率来确定AFS和DYC的权重系数，下层控制器模块主要通过上层协调模块确定的权重系数来分配AFS和DYC的输出量，最终实现对智能车辆的稳定性控制。Carsim和Simulink联合仿真结果表明，所提协调控制系统在紧急避障、双移线等大曲率及曲率突变工况下，对横摆角速度和纵向车速的控制效果相较于分层可拓控制、普通可拓控制均有较大提升。     

基于检测的高效自动驾驶实例分割方法

基于深度学习的实例分割算法在大规模通用场景中取得了良好的分割性能，然而面向复杂交通场景的多目标实例分割仍然极具挑战性，尤其在算法的高精度和较快推理速度的权衡方面，而这对于智能汽车的行驶安全性至关重要。鉴于此，本文以实时性算法Orienmask为基础，提出了一种基于单阶段检测算法的多头实例分割框架。具体来说，所提框架由骨干网络、特征融合模块和多头掩码构建模块组成。首先，本文通过在骨干网络中加入残差结构获取更加完整的高维表征信息。其次，为了产生更具判别性的特征表达，本文通过引入自校正卷积重构特征金字塔，并使用全局注意力机制改善信息传播以进一步优化所提框架的特征融合模块。最后，提出的多头掩码构建机制通过细化场景目标尺寸分布显著提高不同目标的分割性能。本文算法在开源数据集BDD100k上进行大量测试与验证，分别在边界框和掩码上获得了23.3%和19.4%的均交并比（mAP@0.5:0.95），与基线方法相比，平均指标提高了5.2%和2.2%。同时在基于自主搭建的实车平台上进行的道路实验也证明本算法能够较好地适应真实驾驶环境，且满足实时性分割需求。     

基于分段优化的车辆换道避障轨迹规划

为提高复杂道路场景下智能车辆换道避障的安全性和舒适性，提出了一种基于分段优化的智能车辆换道避障轨迹规划方法。首先考虑多种换道可能，根据本车状态和多个采样点生成基于五次多项式的候选y-x曲线簇和x-t曲线簇；其次基于指数函数设计了一种障碍风险评价函数，并结合轨迹平顺性、利他性和行驶效率等构建了综合评价体系，选取出最优参考轨迹，为智能车辆换道避障提供方向和速度的参考，以防止轨迹优化时陷入局部最优；为适应障碍物运动状态时变的特点，以参考轨迹为引导，构建分段五次多项式y-x曲线和x-t曲线，并考虑与障碍车辆的碰撞风险建立了优化目标函数，将轨迹优化问题转换成带约束的非线性规划问题，通过外点法求出最优轨迹。最后基于MATLAB平台进行了仿真验证，结果表明，所提出的轨迹规划方法在满足换道平顺、舒适要求的基础上提高了车辆的环境适应性和避障调整能力。