采用64线激光雷达的实时道路障碍物检测与分类算法的研究

针对64线激光雷达数据量大,导致无人自主车的障碍物检测实时性差的问题,提出一种兼顾有效性和实时性的目标检测和分类算法。该算法首先通过多特征多层高度地图分离路面、障碍物和悬挂物;然后采用基于动态距离阈值的网格聚类算法对障碍物进行聚类,并结合相邻两个障碍物的运动状态信息对聚类结果进行修正,提高聚类的准确率;最后使用SVM对障碍物进行检测和分类。实验结果表明:该算法最优识别率达89.77%,耗时约为95 ms,在保证检测和分类准确率的基础上,满足无人自主车在道路行驶时检测障碍物的实时性要求,具有显著的工程实用价值。     

被动天棚阻尼悬架降阶与优化

采用基于Routh稳定判据的Pade逼近法对被动天棚阻尼悬架系统进行降阶,寻找阶次低、元件少的ISD悬架结构。建立四分之一悬架模型,运用统一目标函数的遗传算法优化结构的参数,对比分析了传统被动、被动天棚阻尼和降阶ISD三种悬架系统的性能。结果表明,与被动天棚阻尼悬架相比,降阶ISD悬架的车身加速度、轮胎动载荷和悬架动行程均方根值都不同程度逼近被动天棚阻尼悬架,能够实现被动天棚阻尼悬架的主要性能,说明经降阶优化的ISD悬架综合性能可以接近被动天棚阻尼悬架,研究结果从理论上验证了基于Routh稳定判据的Pade逼近法的有效性。     

柔性焊装夹具的设计及制造

在新车型开发过程中的样车试制阶段,焊装夹具的柔性化设计可以降低试制成本,而标准化设计则可以缩短设计周期。本文结合柔性试制焊装夹具的设计实例,介绍了其一般的结构,标准化设计的流程和方法,以及制造精度的控制等。     

基于国内工况的整车制动性能山路试验

欧美车企在奥地利大格洛克纳山模拟用户工况进行整车制动性能试验,日本车企在日本本土也有相应的试验道路,以实际道路模拟用户驾驶工况的方法进行制动性能的开发验证。国内关于山路制动性能测试,暂未形成统一的试验方法。文章以国内实际道路为基础,结合奥地利大格洛克纳山试验方法和国内用户工况,参考中国汽车技术研究中心在全国乘用车制动使用情况与工况研究中对国内用户制动减速度、制动负荷系数、制动频度等数据的总结,进行整车试验数据采集、验证,从而探索出一种适应中国用户的制动性能山路试验方法,具有重大的实际意义。     

基于语义分割网络的路面积水与湿滑区域检测

积水或湿滑路面的道路附着系数远小于干燥路面的附着系数,对交通的安全性和机动性都有很大的影响.通过及时获取路面状态信息而发出预警,可大大减小潜在伤害.本文中研究了基于图像的语义分割网络在积水和潮湿的路面状态识别中的应用,它不仅可预测未来路面状态信息,且可得到路面积水和湿滑区域的分布.该方法利用语义分割网络Res-UNet...     

汽车主动悬架与电动助力转向系统自适应模糊集成控制

建立了包含转向运动模型、俯仰运动模型和侧倾运动模型的汽车整车模型,在设计了电动助力转向系统PD控制的基础上,构建了基于自适应模糊控制的汽车主动悬架与电动助力转向系统集成控制器,当控制系统偏差变小或变大时,调整因子总能保证系统稳定,便于工程应用。计算结果表明,该自适应模糊集成控制策略,既保证了车辆操纵轻便性,又显著提高了整车操纵稳定性、安全性和行驶平顺性等整车综合性能。     

麦弗逊式前悬架液力减振器阻尼特性仿真与试验

分析了某轿车麦弗逊式前悬架液力减振器的结构特点,建立了该减振器阻尼特性的数学模型,分别采用钱氏摄动法和有限元法计算减振器节流阀片的挠曲变形,通过仿真计算得到了相应的减振器阻尼特性,通过台架试验进行了减振器样件的阻尼性能测试。对比分析表明:仿真结果与试验结果基本一致,验证了减振器阻尼特性数学模型的有效性;根据有限元法计算的阀片变形所预测的减振器阻尼特性更接近试验值,研究结果有利于提高液力减振器阻尼特性的计算精度。     

富康988不能着车

故障现象：一辆富康988轿车在正常行驶中,经过一个低洼地时,颠簸后发动机出现加速无力,继而熄火,熄火后无法着车。故障诊断：把车拖回厂进行检查,一开钥匙油泵有2s的延时供油,故障灯能正常熄灭。试着启动几下,发动机没有着火的迹象。检查了一下外围的线路,主要是曲轴位置传感器,以及点火线圈的线和左前方的控制模块。再一次启动发动机,发动机顺利着车了。发动机运转半个多小时后,对发     

面向混合交通流的智能网联车鸣笛意图识别模型

为使混合交通流(Mixed Traffic Stream，MTS)下智能网联车(Intelligent Connected Vehicle，ICV)实现鸣笛意图(Horn’s Intention，HI)识别，更好地遵循常规车辆(Manual Vehicle， MV)的驾驶意图，提出ICV 对MV 鸣笛声的“ 感知(Perception) - 定位(Location) - 识别 (Recognition)”模型(简称HI-PLR)，采用深度卷积-循环神经网络(Deep Convolution Recurrent Neural Network, DCRNN)算法感知鸣笛车辆(Horning Vehicles, HV)的鸣笛声；采用到达时差 (Time Difference of Arrival, TDOA)算法定位HV；再基于运动时间窗(Motion Time Window, MTW)的支持向量机(Support Vector Machine, SVM)算法识别HI.实验结果表明，HI-PLR可使 ICV 对混流中车辆的鸣笛声感知准确率达90.4%，定位角度估计误差小于5°，HI 识别率达 82.5%，为ICV在MTS中的智能驾驶决策提供依据.