排序方式: 共有61条查询结果,搜索用时 15 毫秒
51.
52.
为了给智能网联试验场设计与建设提供参考,分析了智能网联交通系统中测试技术的研究现状;结合长安大学车联网与智能汽车试验场的测试和研究经验,提出了一种面向智能网联交通系统的模块化柔性试验场,该试验场包括应用场景、感知发布、网络链路和管理服务4个层次。应用场景层通过模拟真实场景中的天气、道路和交通条件,验证智能网联交通设备和服务在不同环境、不同场景的适应性;感知发布层通过摄像头、激光雷达、毫米波雷达等传感设备以及可变情报板等信息发布设备,实现环境数据及交通信息的采集,并下发相应的控制信息和服务信息;网络链路层由车载异构网络构成,通过网络间的协同工作,为应用场景层和感知发布层的设备提供网络信息服务;管理服务层负责下层数据的存储、备份、处理和可视化,并实现下层测试设备的管理与维护。在上述模块化平台的基础上,开发智能网联汽车室内测试台架,配合试验场进行交通场景构建、测试场景复现和单一要素分析,实现智能网联交通的柔性场景测试。结果表明:所提出的试验场具有标准化的测试条件,可控可追踪的测试流程和科学的测试评价体系,能够模拟真实的道路交通场景,提高智能网联相关技术的开发和测试效率。该试验场的建设、推广与应用,能够推进智能网联和无人驾驶技术从理论研究到实际应用的转化,为实现未来交通信息服务和交通系统的创新与变革起到至关重要的作用。 相似文献
53.
以提高智能网联车辆换道安全和效率,降低燃油消耗为目的,该文提出了一种基于深度强化学习的智能网联车辆(ICV)换道轨迹规划方法。分析复杂交通场景智能网联车辆换道功能需求,设计了分层式智能网联车辆换道轨迹规划架构;兼顾车辆安全和换道效率,设计了基于完全信息纯策略博弈的换道行为决策模型;解耦车辆纵横向运动状态,构造了以燃油消耗和乘客舒适度为目标的联合优化函数,提出了基于双延迟深度确定性策略梯度(TD3)的智能网联车辆纵横向换道轨迹规划方法,得到了车辆纵横向优化换道轨迹,并利用搭建的3个典型换道仿真场景,验证了算法的有效性。结果表明:与深度确定性策略梯度(DDPG)算法相比,提出的方法在左换道和右换道实验中的训练效率平均提升了约10.5%,平均油耗分别减少了65%和44%,而且单步轨迹规划时间在10 ms内,能够实时获取安全、节能、舒适的换道轨迹。 相似文献
54.
55.
为了解决智能车动态组合定位过程中,因动力学模型与实际模型之间存在偏差导致滤波精度下降的问题,针对智能车全球导航卫星系统(GNSS)/惯性测量单元(IMU)组合定位系统,结合非线性预测滤波(NPF)和自适应滤波的优点,提出了一种考虑动力学模型系统误差实时估计和补偿的自适应非线性预测滤波(ANPF)算法。首先,根据NPF算法原理,通过最小化预测观测残差与系统误差的加权平方和,估计动力学模型系统误差;其次,结合自适应滤波原理,利用状态预测残差向量构造自适应因子,设计了一种自适应扩展卡尔曼滤波(AEKF)算法,用于估计系统状态向量,并通过自适应因子抑制动力学模型系统误差和线性化误差对系统状态估计精度的影响,克服NPF对系统状态估计精度有限的缺陷;再次,对动力学模型系统误差的估计误差和由动力学模型系统误差引起的系统噪声的等效协方差阵进行了分析和推导,以补偿动力学模型系统误差对系统状态估计的影响;最后,通过车载GNSS/IMU组合定位系统试验,从算法精度、鲁棒性和实时性方面对提出的算法和其他滤波算法的性能进行了验证和对比分析。研究结果表明:提出的自适应算法继承了NPF算法简易性和高实时性的优点,同时克服了NPF算法估计精度有限的缺陷,具有较好的滤波解算精度,水平定位精度小于1.0 m,算法单次平均执行时间约为0.013 9 ms,在精度和实时性的平衡方面显著优于其他滤波方法。 相似文献
56.
基于蚁群算法的动态路径选择优化方法 总被引:1,自引:0,他引:1
为了确保城市路网交通流平稳运行和各路段交通流量合理分配,提出了一种基 于伪随机状态转移规则的动态路径选择优化方法.该方法首先计算路段上流量和路阻,利 用伪随机状态转移规则和路径、路段信息素更新规则,模拟了出行者在路网节点的择路 行为,实现了路径选择过程中静态先验知识、动态交通状态及路径选择随机性的综合.算 例结果表明,该方法能够体现不同 OD 需求下路径选择的叠加效果和时延效果,相对于 平衡分配法可获得更好的路网交通均衡性,对于时变路况环境下的路径诱导系统也具有 一定的应用价值. 相似文献
57.
研究了出行者对路网熟悉程度的指标与交通流分配均衡性之间的关系, 提出了具有指数形式信息素更新策略的随机用户均衡模型蚁群优化算法, 建立了从Logit模型加载, 到交通需求确认及路径流量、路段流量、路段阻抗、路径阻抗迭代计算的交通分配动态循环流程; 计算了Nguyen-Dupuis路网模型中各路段的流量与阻抗, 并与连续平均算法计算结果进行比较; 通过调节出行者对路网熟悉程度的因子, 分析了蚁群优化算法与连续平均算法的敏感性。研究结果表明: 采用连续平均算法和蚁群优化算法计算的路段流量分布分别为20~280、40~260pcu, 蚁群优化算法的流量分布区间减小了15.4%, 路段流量的最大值减小了7.1%, 因此, 采用蚁群优化算法计算的路段流量较为均衡; 采用蚁群优化算法时, 在Nguyen-Dupuis路网模型中各路段流量的标准差从65pcu降至48pcu, 88%可选路径的阻抗分布在61~64, 且84%的路径阻抗低于采用连续平均算法计算的阻抗, 因此, 采用蚁群优化算法减少了用户出行时间; 当路网熟悉程度分别为0.01、0.1、1、2、7、11时, 采用连续平均算法计算的路段流量标准差分别为75、65、50、47、45、45pcu, 采用蚁群优化算法计算的路段流量标准差分别为48、48、48、47、43、43pcu, 可见, 随着路网熟悉程度的增大, 分配在各路段上的流量范围逐渐减小, 标准差趋于稳定, 信息素更新策略对出行者的路径选择概率影响越明显, 出行者选择阻抗小的路径的概率变大, 因此, 采用蚁群优化算法对路段的流量分配逐渐优于连续平均算法。 相似文献
58.
59.
60.
阐述了目前形成的自动驾驶测试场景的5种定义,并在梳理测试场景、基元场景、场景要素之间逻辑关系的基础上提出了自动驾驶测试场景及有关概念的定义;对比了目前业界较为认可的3种自动驾驶测试场景架构;从场景数据来源梳理了国内外开展的交通事故数据与自然驾驶数据采集与研究现状;概括了利用已知数据、专家数据、测试需求、测试对象以及自动驾驶技术特征等开展未知自动驾驶测试场景构建与自动生成研究的成果。研究结果表明:自动驾驶测试场景的定义及架构与自动驾驶场景的构建与自动生成关系密切;自动驾驶场景可以认为是自动驾驶汽车的行驶环境、交通参与者与驾驶行为等场景要素的有机组合与综合反映,自动驾驶测试场景除包含场景的所有要素外,还应包含场景起始状态、场景发生的态势以及场景结束时造成的影响和结果等内容的动态语义描述;现有测试场景架构已较为完善,但难以满足不同测试目标及测试方法的需求,其优化应充分考虑测试场景设计的流程;交通事故数据采集精度及有效数据特征不一,自然驾驶场景数据难以完全采集,且采集规范不统一,其面向自动驾驶测试场景构建的有效性还有待进一步论证,自动驾驶测试数据有望成为重要补充;提升场景覆盖度、加速测试进程是自动驾驶测试场景构建的重要研究目标,人工智能技术在自动驾驶场景生成领域的深度应用有望满足测试场景的完全覆盖或高覆盖需求;面向不同自动驾驶等级的测试场景分级及面向自动驾驶加速测试场景构建方法将是自动驾驶测试场景构建下一步研究的重要方向。 相似文献