Models and methodology for optimal trajectory generation in safety-critical road–vehicle manoeuvres

There is currently a strongly growing interest in obtaining optimal control solutions for vehicle manoeuvres, both in order to understand optimal vehicle behaviour and, perhaps more importantly, to devise improved safety systems, either by direct deployment of the solutions or by including mimicked driving techniques of professional drivers. However, it is non-trivial to find the right combination of models, optimisation criteria, and optimisation tools to get useful results for the above purposes. Here, a platform for investigation of these aspects is developed based on a state-of-the-art optimisation tool together with adoption of existing vehicle chassis and tyre models. A minimum-time optimisation criterion is chosen for the purpose of gaining an insight into at-the-limit manoeuvres, with the overall aim of finding improved fundamental principles for future active safety systems. The proposed method to trajectory generation is evaluated in time-manoeuvres using vehicle models established in the literature. We determine the optimal control solutions for three manoeuvres using tyre and chassis models of different complexities. The results are extensively analysed and discussed. Our main conclusion is that the tyre model has a fundamental influence on the resulting control inputs. Also, for some combinations of chassis and tyre models, inherently different behaviour is obtained. However, certain variables important in vehicle safety-systems, such as the yaw moment and the body-slip angle, are similar for several of the considered model configurations in aggressive manoeuvring situations.     

多特征融合的船舶轨迹相异度模型分析与优选

基于船舶自动识别系统轨迹,构建了船舶轨迹静态相异度模型、动态相异度模型以及组合相异度模型,包括轨迹起点和终点相异度模型、轨迹长度相异度模型、轨迹空间分布相异度模型、轨迹航速均值相异度模型、轨迹航向均值相异度模型、轨迹航速标准差相异度模型和轨迹航向标准差相异度模型;采用KNN分类算法进行轨迹分类,分析了单个相异度模型的有效性和时效性,对比了单个相异度模型和组合相异度模型下轨迹分类效果,研究了组合相异度模型中相异度模型的类别和权重对轨迹分类的影响;分别以内河航道和港口水域船舶轨迹进行试验。试验结果显示：在采用单个相异度的情况下,就分类效果而言,轨迹起点和终点相异度模型和轨迹航向均值相异度模型在内河航道和港口水域船舶轨迹分类效果均优于其他模型,而基于轨迹航速均值相异度模型和轨迹航速标准差相异度模型的轨迹分类效果最低,就分类效率而言,基于航速、航向均值和标准差的相异度模型耗时明显低于其他3个相异度模型;采用组合相异度进行轨迹分类,内河航道和港口水域船舶轨迹分类结果的基于精确率和召回率的宏平均值和微平均值均能接近99%;将组合相异度中相异度类别数由4个增加到7个,轨迹分类评估结果进一步得到提高。因此,单个相异度模型中以轨迹起点和终点相异度模型、轨迹航向均值相异度模型以及轨迹空间分布相异度模型分类效果最优且稳定,而轨迹空间分布相异度模型和轨迹长度相异度模型耗时明显高于其他方式,各相异度模型在不同场景中的适应性基本相似,通过增加组合相异度中相异度类别能够提高轨迹识别效果。     

双色波激发细长港内低频振荡的物理试验研究

通过物理试验研究双色波传入细长港池并激发港池低频振荡,合理的试验布局降低了波浪二次反射对造波机的影响问题。利用快速Fourier变换和小波变换方法分析双色波在港内的幅频响应以及波浪能量的时-频分布情况,并利用小波二阶谱分析港内波浪不同成分之间的非线性相互作用过程。结果表明:当双色波短波频率对应港池不同共振频率时,通过波浪非线性相互作用产生的二阶长波在港内响应幅值不同;短波频率对应港池较低共振频率时,波浪会在港内聚集更多的能量;二阶长波以及高次谐波与双色短波之间呈复杂的非线性能量传递过程。     

基于路侧多机视频目标关联与轨迹拼接的车辆连续轨迹构建方法

针对单个相机覆盖区域有限的问题,本文提出了通过路侧多个相机获取车辆连续轨迹数据的方法。在路侧端布置多台固定相机采集视频数据,采用直接线性变换算法解决相机外参造成的画面畸变问题;通过全时域抽帧提取图片训练样本,采用YOLOv5训练车辆检测模型;针对偶发的车辆漏检情形,通过完整性检查可以筛查出此类情况并修复;针对连续多帧漏检或误检导致的目标关联问题,通过异常轨迹核查算法及数据修复工具解决;针对相机斜下方区域的车辆轮廓变形问题,采用车辆检测轮廓修复算法解决车辆在不同路段检测框大小不一的问题;提出了基于车辆质心坐标匹配的方法实现相邻机位间的车辆轨迹拼接。基于上述多机视频目标关联与轨迹拼接方法,在多机位时间同步下构建了覆盖武汉珞狮路高架桥的车辆连续轨迹数据集,轨迹数据集验证结果表明：数据集涵盖从畅通到拥堵的各种交通状态,包含多段分合流区域,数据集连续时长达到3.5 h,覆盖区域1.41 km;车辆检测模型的召回率达到93.23%,准确率达到98.51%,F1分数为95.80%;数据集包含主路及各处匝道汇入的轨迹共25 734条,其中覆盖道路全域的完整长轨迹15 004条。本研究丰富了路侧多机视频目标关联与轨迹拼接方法,有助于路侧宽域车辆连续轨迹构建及交通管理与控制。     

基于贝塞尔曲线的重型商用车多车编队局部轨迹规划

文章基于贝塞尔曲线的局部轨迹规划方法在自动驾驶领域中的应用;特别是针对重型商用车编队行驶车辆场景下的局部路径规划;利用三阶贝塞尔曲线在数学上的平滑性和可调整性。文章通过调整贝塞尔曲线的两个控制点;规划出平滑可行的跟车轨迹;实现了对车辆行驶路径形状的准确控制;为自动驾驶系统提供了路径规划策略。再将位置判断算法和轨迹规划算法相结合;通过实车测试验证了该方法能够生成平滑且连续的局部跟随轨迹;有效提升了编队车辆跟随行驶的稳定性和安全性。     

车-网耦合系统低频振荡的抑制策略优化及其参数设计

在电气化铁路中,当电力机车与牵引网的电气参数失配时易诱发低频振荡现象,不仅影响牵引网电压的供电保护,而且会引起机车牵引系统的封锁,对牵引网和机车的安全运行构成极大威胁。为更好地抑制该振荡现象,文章提出一种优化的振荡抑制策略及其参数设计方法。首先介绍电力机车-牵引网系统的等效电路拓扑和控制策略,并利用小信号理论建立车网系统的闭环小信号模型;然后在系统稳定性分析的基础上,以提高抑制策略的动态性能为目的,提出一种优化的基于主动阻尼控制的振荡抑制方法,并针对主动阻尼控制系数过大会影响系统稳态性能的问题,通过劳斯稳定判据确定主动阻尼控制系数的最小值。最后,搭建时域仿真模型进行测试,其结果验证了所提优化方法的有效性及其参数设计的合理性。     

交汇水域船舶轨迹预测与航行意图识别

针对典型水上交通场景交汇水域,研究了1种数据驱动的船舶轨迹预测与航行意图识别方法。设计CNN+LSTM组合神经网络,通过学习交汇水域船舶的历史轨迹,以CNN+LSTM网络为编码器提取其通航环境及船舶航行时空特征,LSTM与全连接层为解码器同步输出未来时段内船舶轨迹序列和航路选择,从而形成船舶轨迹与航行意图识别模型。同时,引入Dropout网络结构描述该模型的预测不确定性,采用随机关闭CNN+ LSTM核心网络部分神经单元的方式,以相同轨迹序列作为输入获取多组相近的预测结果,根据其统计均值与方差对船舶轨迹预测的不确定性进行量化。以美国沿海某交汇水域公开AIS数据为对象开展实验,创建了该交汇水域船舶航行轨迹数据集,以输入时长60 min,采样频率3 min作为输入条件,Dropout值取0.5,实验结果表明：所提方法对未来60 min时段内的轨迹预测误差为3.946 n mile,航行意图识别准确率达87%,不确定性估计覆盖率达85.7%。与LSTM预测方法相比,当船舶操纵性发生改变时,所提CNN+LSTM模型的轨迹预测误差降低了31.6%,而且兼具船舶航行意图识别及预测不确定性估计能力,有利于智能航行与海事监管技术发展。     

基于C-Informer模型的船舶轨迹预测方法

船舶在复杂环境中的航行受风浪、水深、船舶性能等多种不确定因素的影响,利用数学模型难以准确定义和反映船舶轨迹变化规律。针对此问题,研究了1种基于特征工程及神经网络的船舶运动轨迹多步预测方法,将轨迹预测任务分为数据处理及模型预测2个部分：①数据处理模块利用特征工程的方法对AIS轨迹数据进行预处理,首先对原始AIS数据进行清洗,然后利用最大信息系数筛选出与位置预测任务高度相关的特征,并引入变步长的时间间隔信息,解决现有模型只能选取固定时间间隔的数据进行训练和预测的问题,最后重构出高质量的船舶轨迹序列;②模型预测模块构建基于C-Informer的船舶轨迹预测模型,利用Informer模型的多头概率稀疏自注意力机制,降低网络模型的时间复杂度,同时基于生成式解码提高预测速度,通过引入因果卷积模块,增加模型对相邻时间轨迹特征的敏感程度,以弥补Informer模型在局部信息抽取时的不足,使模型更适应于船舶轨迹预测任务。基于南京港附近船舶AIS数据的实验结果表明：C-Informer模型的轨迹预测整体均方误差为1.72×10^－7,平均绝对误差为2.43×10^－4,与原始的Informer模型相比分别降低28.6%和31.9%,且使用筛选后的特征组合训练C-Informer模型,与只包含经纬度的特征组合相比,均方误差和平均绝对误差分别降低57.7%和42.1%。在对不同时间步长的轨迹进行预测时,C-Informer模型预测时间比长短期记忆网络模型最多减少了69.6%,损失最多降低了75.8%。     

基于改进滑模极值搜索算法的货运列车黏着控制研究

针对传统的滑模极值搜索控制算法（SMESC）在货运列车最佳黏着工作点追踪过程中存在稳态振荡、收敛速度慢的问题,提出了参数时变的改进滑模极值搜索控制算法。为削弱稳态振荡和加快SMESC收敛速度,分析了SMESC中增益参数与稳态振幅间的数学关系,以及辅助函数斜率与收敛性的联系,并对其进行优化：设计了时变辅助函数斜率以改善SMESC的收敛速度,设计了以观测误差为基准的动态增益参数以削减稳态振荡,并进行了收敛性分析。针对行车阻力无法直接测量的问题,引入了基于粒子群算法（PSO）的阻力参数估计,最后设计了基于SMESC的黏着控制律,通过与传统滑模极值搜索进行对比,证实了所提方法的有效性和实用性。