面向智能车辆的现役道路设施行驶适应性研究综述

为了总结面向智能车辆的现役道路设施行驶适应性，即现役道路基础设施承载智能车辆行驶的适宜程度，阐述自主智能驾驶定义与驾驶自动化等级分类，在此基础上剖析不同等级间的人机功能差异，并分别从感知层、感知-决策层、决策-控制层探讨与道路设计要素相关联的人机功能差异，通过归纳总结智能车辆与道路几何要素、路面性能及其他道路要素(如道路标线)的相互作用机制研究，从道路工程角度及其他道路要素方面回顾该领域的研究现状，指出存在的问题和未来发展方向。研究结果表明：相比传统车辆，配置高等级自动驾驶系统的智能车辆对现役道路设施行驶适应性最高，主动安全系统次之，而驾驶辅助及有条件自动驾驶系统适应性不足。而目前研究主要问题包括：难以归纳、标定不同驾驶自动化等级间的人机功能差异及其对于道路设计参数的需求设计值；测试道路场景条件过于理想，考虑的驾驶自动化等级单一，试验规模和样本有限；道路几何、路面性能以及道路标志、标线等道路要素与智能车辆间的相互作用机制研究不足，缺乏与不同道路场景相匹配的智能车辆驾驶特征数据的获取手段。因此建议：重视并推动与道路设计要素相关联的关键人机功能差异指标信息共享；联合高保真且可交互的道路场景、高精度感知传感器物理模型、车辆动力学模型及微观交通流模型，利用测试场景自动化生成、极限工况场景搜寻与泛化等技术开展智能驾驶虚拟测试，突破现有研究的深度和广度；探索反映不同等级智能车辆的道路行驶适应性特征指标与评价标准，精准、有效地评估预测复杂道路场景及不利道路条件下的行驶适应性。     

Human-like autonomous car-following model with deep reinforcement learning

This study proposes a framework for human-like autonomous car-following planning based on deep reinforcement learning (deep RL). Historical driving data are fed into a simulation environment where an RL agent learns from trial and error interactions based on a reward function that signals how much the agent deviates from the empirical data. Through these interactions, an optimal policy, or car-following model that maps in a human-like way from speed, relative speed between a lead and following vehicle, and inter-vehicle spacing to acceleration of a following vehicle is finally obtained. The model can be continuously updated when more data are fed in. Two thousand car-following periods extracted from the 2015 Shanghai Naturalistic Driving Study were used to train the model and compare its performance with that of traditional and recent data-driven car-following models. As shown by this study’s results, a deep deterministic policy gradient car-following model that uses disparity between simulated and observed speed as the reward function and considers a reaction delay of 1 s, denoted as DDPGvRT, can reproduce human-like car-following behavior with higher accuracy than traditional and recent data-driven car-following models. Specifically, the DDPGvRT model has a spacing validation error of 18% and speed validation error of 5%, which are less than those of other models, including the intelligent driver model, models based on locally weighted regression, and conventional neural network-based models. Moreover, the DDPGvRT demonstrates good capability of generalization to various driving situations and can adapt to different drivers by continuously learning. This study demonstrates that reinforcement learning methodology can offer insight into driver behavior and can contribute to the development of human-like autonomous driving algorithms and traffic-flow models.     

磁力摩擦式辅助驱动在TBM连续皮带机中的应用

长大隧道TBM(tunnel boring machine)施工大多采用连续皮带机出渣,当运输距离较大时通常需要在中间增设辅助驱动,以降低胶带最大张力,从而降低胶带强度。为了提高辅助驱动的工程适应性,研发了磁力摩擦式辅助驱动系统,具有驱动力大、无二次转载、胶带无二次冲击损伤、结构简单、故障点少、结构紧凑占用空间小、安装方便和配置灵活等特点。该成果可用于采用钢丝绳芯胶带的TBM连续皮带机、支洞皮带机以及其他需要辅助驱动的胶带输送机,并在山西省中部引黄工程TBM1标段成功应用,具有广阔的推广应用价值。     

高压共轨高速电磁阀自升压双电源驱动方法研究

在对现有高压共轨高速电磁阀驱动电路进行分析的基础上,提出了一种基于电磁阀自身的自升压方式,一方面把高速电磁阀关闭时本身储存的电能回收到储能电容中,另一方面在两缸工作间隙利用电磁阀线圈作为升压电路电感对储能电容进行能量补充,保证储能电容上的电压达到一个稳定状态。电路在保证实现双电压快速驱动的同时,使驱动结束的能量得到有效回收,同时省去外接专用升压电路所需要的电感部件,减小了电源电路的体积和设计成本,并且电控单元印制线路板的电磁兼容性设计易于保证。应用该方法对某高压共轨部件高速电磁阀进行试验,匹配出驱动参数,并进行稳定性试验验证,结果表明该方法能够满足工程应用需求。     

不同土质下预制方桩沉桩承载力特性分析

对沿海地区某码头预制方桩沉桩过程进行监控。结果表明,打桩时由于桩周土扰动剧烈,桩的贯入阻力大幅减小,粉质土贯入阻力降低比例高于粉砂。复打测试表明:粉质土的恢复系数较粉砂高;桩侧摩阻力与土层性质密切相关。在沉桩时可根据土层情况选用合适的打桩锤击力,以减小或避免对桩的不利影响。     

高速公路行车安全驾驶技术控制探讨

市场经济迅速发展以及人们生活水平的提高,汽车已经成为了人们日常出行必不可少的交通工具之一.随着汽车保有量的持续增加,社会各界对高速公路行车安全的关注度也随之越来越高.所以,加强高速公路行车安全驾驶技术分析研究的力度,制定切实可行的安全驾驶技术控制措施,才能从根本上促进高速公路行车安全水平的有效提升.文章主要是就高速公路...     

基于安全和情感化的汽车辅助驾驶系统多模态交互设计研究综述

汽车作为目前人类最常使用的交通工具之一,其智能驾驶技术大部分处在L2～L3“人机共驾”技术的发展阶段,在L5级自动驾驶技术出现之前,“人机共驾”仍然是目前主流的驾驶方式,其各种车载系统和交互方式正在不断完善。多模态交互作为未来设计的发展趋势,必然将与汽车融合产生新的“火花”。对车载系统中多模态交互设计研究包括疲劳状态预警、碰撞预警、车道偏离预警、智能接管提醒、智能泊车等方向进行梳理总结,对车载AI多模态交互设计包括多屏交互、触控交互、手势交互、语音交互、表情交互、眼动交互等自然交互方式进行分析。采用文献研究及案例分析的方式探究如何在基于安全和情感化的背景下使驾驶员的体验更加舒适,展望了汽车多模态交互设计在车载系统中的应用及未来趋势。恰当而良好的交互方式融合将会提高各种车载系统及应用的安全性和驾驶的舒适度。多模态交互的引入必将是汽车发展的趋势。     

双电机耦合驱动电动汽车驱动模式划分与优化

为充分发挥一款双电机耦合驱动系统电动汽车(DMCP-EV)多驱动模式的节能优势,制定了基于系统效率最优的驱动模式控制策略。根据该双电机耦合驱动系统的结构特点,定义了电机4种驱动模式并分别建立其动力学驱动模型和系统效率模型。在满足动力性要求的前提下,分析并划分了各驱动模式的工作范围,以系统效率为优化目标,采用粒子群优化算法进行优化,获得最佳的驱动模式切换控制和转矩分配策略。开展了Matlab/Simulink仿真和硬件在环试验验证。结果表明,经系统效率优化的驱动模式在满足动力性要求的前提下,有效提高了双电机耦合驱动系统的经济性,能耗降低11%。     

山区高速公路驾驶人加减速行为建模

山区地形地质条件复杂,各类复杂的组合线形设计更为常见,例如直线与平曲线间组合或不同平曲线间组合。驾驶人在相邻组合路段行驶时会感知到线形的变化,引起驾驶行为的改变,最终车辆的纵向加速度也会随之改变。频繁的加减速行为会引起驾驶人不适,甚至形成安全隐患。目前针对相邻组合路段驾驶行为的研究中,关于加速度的研究主要基于路段特殊点进行计算。随着驾驶模拟技术的发展,高仿真驾驶模拟器为高速公路的设计评估提供了更好的数据及试验条件支撑。在高仿真驾驶模拟器中,基于湖南省永吉高速公路道路设计参数及周边地形环境参数,构建山区高速公路的三维虚拟模型,以山区高速公路中的相邻组合路段为研究对象,获取山区高速公路组合线形路段的车辆纵向加速度数据,提取加减速事件后,基于驾驶人的加减速行为,采用混合Logit模型,分别判定道路线形层和驾驶人层的影响,研究组合线形对驾驶人纵向加减速选择的具体影响变量以及变量的影响范围。研究结果表明：下游路段最大曲率、上游路段圆曲线段比例、下游路段变坡点数量、下游路段曲线数量、上游路段平均曲率和当前位置曲率等对驾驶人加减速行为有显著影响;通过对比混合Logit模型和多元Logit模型,指出驾驶人层面对模型结果的影响显著。研究结果提供了一种山区高速公路连续纵向加减速行为的建模方案,并可为研究驾驶人在复杂线形条件下的纵向加速度选择行为提供基础。