纯电动汽车加速过程的转矩优化控制策略

针对纯电动汽车在加速过程中电机输出转矩不能准确表达驾驶员驾驶意图的问题,提出了基于模糊控制的转矩优化控制策略.为了准确识别驾驶员在加速过程中的驾驶意图,建立了以车速偏差和加速踏板开度变化率为输入变量,驾驶意图系数为输出变量的模糊控制器,对驾驶员的加速意图进行识别,并将汽车的加速模式设计为动力模式、一般模式和经济模式3种...     

基于Residual BiLSTM网络的车辆切入意图预测研究

本文中根据中国实际道路特征,提出一种基于Residual BiLSTM网络的车辆切入意图预测模型,从切入车辆的轨迹信息和与自车的交互信息中提取切入特征,并采用softmax函数计算切入意图,分别为左车道保持、左车道插入、右车道插入和右车道保持的概率,最后利用中国复杂路况的自然驾驶数据集对预测模型进行训练和测试.结果表明...     

TNT天地华宇：设局布网 危中求机

从2008年开始，一谈起企业发展．总脱离不开经济危机这个宏观背景，在不良气候的影响下，很多企业修炼内功，寻求自保．意图度过这个阴霾时期，而真正能在危中找到机会的企业是真正聪明的企业。TNT天地华宇就是意图努力做到这一点的企业。     

自动变速汽车智能换档控制系统研究

通过对传统换档规律弊端的分析,对驾驶员意图识别和行驶环境识别的研究,提出了基于驾驶员意图识别和行驶环境识别的智能换档控制系统。该系统能较好地解决传统换档规律中的问题,使汽车具有更好的动力性、经济性和乘坐舒适性。     

一种混合动力轿车的能量管理策略

混合动力是当前提高汽车燃油经济性和改善排放最现实可行的方案,混合动力由于有多个动力源,需要各动力源合理的协调工作才能发挥整车的性能.能量管理策略是整车控制策略的核心.文章介绍了一种混联式混合动力轿车的能量管理策略,分为驾驶员意图识别、能量分配和协调控制3个模块来实现对动力的分配和各动力源的协调控制,使各部件工作在高效区,提高燃油经济性和改善排放性能,同时保证驾驶平顺性.     

高速场景相邻前车驾驶行为识别及意图预测

相邻前车的驾驶行为会影响后车,因此先进的辅助驾驶系统需具备识别前车驾驶行为的能力. 对高速场景下相邻前车换道行为进行研究,分别提出双层连续隐马尔可夫模型-贝叶斯生成分类器(CHMM-BGC),以及基于双向长短时记忆网络(Bi-LSTM)的行为识别模型和意图预测模型. 采用自然驾驶数据集对模型的有效性进行测试验证. 实验分析表明：基于Bi-LSTM的行为识别模型相较于双层CHMM-BGC在平均识别率上提升了11.24%,两种行为识别模型均可在相邻前车换道过程的早期阶段识别换道行为;考虑相邻前车与周围环境车辆的交互作用,可使模型具有预测性,两种意图预测模型均可在车辆换道时刻前预测到驾驶人换道意图. 模型仿真计算时间可满足系统的实时性需求,为本车驾驶人预留出反应时间,为预测周围车辆行驶轨迹研究提供支持.     

智能船舶的反应型避碰规划研究

对于多船会遇场景而言,在反应型避碰规划中考虑操船者意图具有明显的优越性,可在紧迫局面下更合理地执行《1972年国际海上避碰规则》（即COLREGs）的背离规则。对此,提出一种基于隐马尔可夫模型的操船意图预报方法,将生成的目标船意图预报结果与经典速度障碍法相融合,产生更合理的碰撞危险评估结果,据此建立的反应型避碰规划算法比经典速度障碍法更安全。依托案例三体船完成的自主避碰试验,验证所提改进算法的有效性、可靠性和实时性,为智能船舶的自主避碰研究提供参考。     

数据驱动的驾驶员换道行为分析与预测综述

换道是一种具有极高风险的驾驶行为,许多交通事故发生在换道过程中,相邻车道车辆的突然换道行为会产生很大安全风险并影响车辆的乘坐舒适性,对周围车辆的换道行为进行预测对驾驶辅助系统和自动驾驶汽车都十分必要。随着V2X(Vehicle-to-Everything)技术、5G技术的快速发展,车辆可以从周围环境中获得更多信息,使换道行为预测成为可能。文中对换道意图的产生及换道过程进行分析,将换道过程分为换道意图产生阶段、换道准备阶段和执行阶段,总结将车辆上各种传感器获得的车辆速度、加速度、位置、方向盘转角等信息及通过V2X技术从交通环境中获得的信息用于换道行为预测的主要方法。目前许多研究采用机器学习方法,按照所使用的数据类型可分为基于驾驶员生理活动信息的方法和基于车辆CAN总线信息、运动学及其与周围车辆运动关系信息的方法,也有研究将二者相结合。数据驱动的换道行为预测方法也可用于车辆的主动换道决策和执行过程,强化学习(RL)算法可以从真实数据中学习决策和驾驶行为,而这些对于传统的基于规则的方法来说基本不可行,故其在研究车辆主动换道时被广泛使用。     

基于多特征融合的行人意图以及行人轨迹预测方法研究

行人作为重要的交通参与者,其行走意图和轨迹预测对智能驾驶汽车的决策规划具有重要意义。基于注意力机制增强的长短时记忆(Long Short-term Memory, LSTM)网络,设计一种多特征融合的行人意图以及行人轨迹预测方法。该方法通过融合行人骨架和头部方向特征,以加强行人运动特征的表达,并将融合特征作为意图预测网络输入,继而得到行人意图;由于行人运动具有不确定性,将行人意图预测类别和历史轨迹坐标的联合向量作为行人轨迹预测网络的输入,以期生成更为精确的轨迹预测结果。此外,在轨迹预测网络中引入注意力机制,以加强LSTM对各个时刻编码向量的有效利用,从而提高网络的行人轨迹预测性能,并基于Daimler数据集进行训练及验证。研究结果表明：所提出的多特征意图预测方法准确率可达96.0%,优于基于骨架单特征的意图预测网络;在预测时域为1 s的情况下,预测轨迹的位置均方根误差为347 mm,相较于恒速度(Constant Velocity, CV)模型、交互多模型(Interacting Multiple Model, IMM)、常规LSTM等基线方法均有明显的提升;在实际场景分析中,提出的方...     

车辆AMT中道路条件及驾驶意图的模糊识别

本文论述了车辆AMT中道路条件及驾驶意图模糊识别的必要性，提出了道路条件及驾驶意图的模糊识别方法，最后给出了在AMT挡位决策中的应用实例。