基于数据驱动的电动汽车动力电池SOC预测

为准确预测电动汽车动力电池的能耗,缓解驾驶者的里程焦虑,本文中提出一种基于数据驱动的电动汽车动力电池SOC预测模型.首先分析电动汽车能耗构成并提取能耗影响因素,接着基于某款电动出租车CAN总线采集的汽车运行数据,采用机器学习算法,提出基于温度分层的能耗模型,通过宏观数据与微观数据的融合减小误差,最后使用该模型对车载BM...     

电动汽车剩余续驶里程估算准确度分析

基于技术调研分析了电动汽车剩余里程估算相关影响因素及行业主流应用算法,结合实车测试对不同算法对应的剩余里程估算准确度进行对比分析,剖析当前行业技术现状及存在的问题,最后从提升用户体验的角度提出相关行业建议以及对未来技术发展的展望.     

ECE R51多工况噪声评价方法试验研究

为方便国内汽车企业及时跟进ECE R51/03系列法规的修订进展,重点分析了多工况噪声(ASEP)测量及评价方法,对国内2款典型车型按照ECE R51/03系列法规要求开展ASEP试验,并结合ASEP评价方法对其测量数据进行分析,探究现行ASEP评价方法对中国汽车产品的影响,同时介绍了ASEP评价方法最新研究进展.试验...     

交通流速度时空二维预测方法

从时间和空间2个维度分析了交通流速度的自相关和互相关特性,提出了交通流速度的时空二维预测模型,可对未来交通流进行多步预测.该模型包含曲线拟合加权预测模型和递推时空二维自回归预测模型,动态模型参数可由递推最小二乘法实时识别,静态模型参数通过离线优化得到.将预测的交通流速度应用于车辆宏观运动规划方法中,可将车辆的燃油经济性...     

自动驾驶汽车高速超车轨迹跟踪协调控制

自动驾驶汽车高速超车时不仅要规划合理的换道路径来保证安全性,而且还要确保车辆高速转弯行驶的横向稳定性和舒适性。针对车辆超车的换道、匀速和换道3个阶段,分别规划了纵向速度和横向超车路径。提出了考虑路径曲率、换道时间、纵向车速的期望横摆角速度计算方法。以最小化横向位置偏差、横摆角速度跟踪偏差和控制增量为优化目标,通过可拓集的关联函数动态分配轨迹跟踪精度和横向稳定性的权重系数,建立了自动驾驶汽车轨迹跟踪的多目标模型预测可拓协调控制策略。数值仿真结果表明,提出的路径规划方法能保证车辆安全超车,轨迹跟踪控制策略不仅能精确地跟踪规划的路径,而且具有较高的横向稳定性和舒适性。     

基于DMPC的智能汽车协同式自适应巡航控制

本文中针对单向通信拓扑的非线性车辆队列协同式自适应巡航(CACC)控制问题,提出一种保证队列稳定且满足队列各车跟随性、安全性和乘员舒适性的分布式模型预测控制(DMPC)策略。首先建立了车辆队列的动力学模型和通信拓扑结构模型,并基于队列系统的多项优化性能设计代价函数和系统约束,使队列中每一辆跟随车基于其接收到的有限信息求解一个开环局部最优问题,计算出当前时刻的最优控制量作为输入并不断重复这个过程,达到滚动优化的目的,实现车辆队列的协同式自适应巡航控制。其次通过CACC系统局部代价函数之和构建Lyapunov候选函数,证明了车辆队列系统渐进稳定性的充分条件。最后通过CarSim和Simulink联合仿真,分析了算法在理想状态下对不同形式单向通信拓扑车辆队列的控制性能;通过实车试验,验证了算法在实车条件下感知层存在抖动、底层控制存在延迟和误差时的控制性能。仿真和实车试验的结果表明,本文提出的控制策略能使队列车辆实现各项优化性能,同时对外部干扰有较好的鲁棒性。     

用模态综合模型对制动器噪声进行模拟分析与抑制

综述了对于制动器噪声问题能进行较为有效控制且得到应用的研究技术成果,利用在研究制动器噪声问题发生机理的基础上发展的系统模态综合模型分析方法,对一个存在低频噪声的制动器进行了分析.找出了影响噪声发生的关键构件是制动器支架,对其进行了改进设计,通过按照SAE J2521标准进行的台架试验,证明其有效性,并将原制动器按SAE...     

基于自相关分析的交通流预测输入步长研究

目前的交通流预测研究中,输入步长主要取决于人为的选择,容易受到干扰,并且缺少从理论方面选择输入步长的方法。为了能够自适应地选取输入步长,基于交通流历史时间序列的自相关分析,以机器学习中典型的最小二乘支持向量机（LSSVM）、随机森林（RF）以及长短记忆（LSTM）3种算法进行多输入步长的交通流预测,探究以自相关系数值选取最佳输入步长的方法可行性。实验结果表明,在输入步长的自相关系数为0.80～0.91时,LSSVM能获得较优的预测精度,当自相关系数为0.47～0.51时,LSTM能有较好的预测精度,而RF交通流预测的最低误差对应的输入步长自相关程度较低,自相关分析方法 可能并不适用。     

基于同方差的递增时间序列自回归预测的改善方法

提出了"利用反双曲正弦函数变换提高数据列光滑程度"的新结论,获得了递增时间序列改善的自回归预测新方法。