电涡流传感器在盾构滚刀磨损监测系统中的应用研究

为了在盾构掘进过程中实时监测滚刀的磨损和工作情况,建立一套基于电涡流传感器的滚刀磨损实时监测系统,将滚刀刀圈与传感器之间的距离变化转换为电压信号,经计算处理后得到滚刀刀圈的磨损量。重点探讨电涡流传感器的检测机制,并设计制作结构紧凑、测量精度较高的非接触式电涡流传感器。结合某工程现场试验结果进行温度补偿,实现了滚刀磨损的实时监测,试验结果表明了电涡流传感器在该系统中的有效性。     

基于参数共振微扰的PFC升压变换器在车载充电机中的应用

为减少谐波污染 ,对于前级功率因数校正系统 ,采用有源功率因数校正技术（PFC）,并针对PFC功率因数校正升压变换器存在的电路不稳定问题提出一种动态补偿方案。结果表明：该动态补偿方案能够抑制因固定补偿带来的过零死区现象,PFC 升压变换器的功率因数得到提高,且总谐波失真率降低。     

自动泊车关键技术研究进展综述

自动泊车是汽车智能化的重要组成部分,代替了驾驶员进行泊车的繁琐操作,减少了泊车事故的发生,在新车上的装载量大幅增加。为了研究自动泊车的发展现状、现有不足与发展趋势,对自动泊车应用现状进行了分析,又从车位探测、路径规划和跟踪控制等技术方面进行了分析,总结现有自动泊车关键技术存在的不足之处和局限性,提出了自动泊车关键技术研究的未来趋势,为从事自动泊车技术研究提供参考。     

基于深度强化学习与风险矫正的智能车辆决策研究

为实现高速公路环境下车辆的安全决策,提出一种结合深度强化学习和风险矫正方法的行为决策模型。构建决策模型所需的目标车辆及周围车辆的行驶信息,并引入自注意力安全机制,提高车辆在复杂高速场景下对周围潜在危险车辆的注意力,综合考虑行车效率、避障等因素以设计强化学习的奖励函数。此外,为解决强化学习在决策过程中缺乏安全性保障的问题,设计风险矫正模块对决策动作进行风险评估和矫正,避免危险决策的执行。在Highway-env仿真平台上对提出的决策模型进行训练和测试。试验结果表明,提出的决策模型有较高的行车安全率和鲁棒性,其驾驶效率也优于以规则、模仿学习和单纯深度强化学习为基础的决策方法。     

面向降雨环境的激光雷达衰减模型研究

针对现有激光雷达衰减模型依赖统计生成点云、缺乏噪点解释性等问题,提出了一种面向降雨环境的激光雷达衰减模型。首先,建立激光雷达发射-接收模型,并根据雨滴尺寸分布模型模拟获得雨滴空间分布数据;其次,耦合散射模型与噪点模型,获得激光传播过程的光强变化,得到点云的仿真图像;最后,采集正常天气和降雨天气下的点云图像,仿真生成不同降雨量下的衰减点云。将衰减模型获得的点云与对应实际降雨天气点云图像进行对比,结果表明：所提出的模型在各评价指标上明显优于现有模型,有效解释了降雨过程对激光雷达产生的衰减影响。     

自动驾驶汽车需要与交通控制设施协同发展

无人驾驶汽车,现在是个很时髦的概念,很多互联网巨头趋之若鹜,但对于汽车制造和交通行业来说,声音要冷静得多,个中原因,与大家对最基本的驾驶任务的构成与要完成这一任务的技术需求的认识角度有明显差异有关。     

77G毫米波雷达ADAS应用及方案分析

深入挖掘国际期刊和知名研究机构的文献,向广大读者介绍最新的汽车毫米波雷达技术和原理,收集了较为全面的77G毫米波雷达在高级辅助驾驶和自动驾驶中的应用功能。梳理出雷达性能和应用功能之间的对用关系,同时对比了毫米波雷达和其他最新车载空间传感器之差异和优势。并将上述信息结合最新的三家主力半导体公司的汽车毫米波雷达硬件方案加以分析,提出在选择方案时如何在性能、技术特点和功能应用方面考虑。主要结论:毫米波雷达将是未来自动驾驶汽车空间传感器的基础和重要发展方向。     

重点要“稳” 采埃孚自动驾驶目标锁定L2+和L4

"现在市场上有些系统,让你在驾驶过程中,明显的感觉到车身的摆动,说明它们的车道保持不好。这样会影响驾驶者的驾驶体验。对我们而言,度量级别不重要,重点是稳!"——采埃孚全球CEO沃夫翰宁·施艾德回顾过去三年所经历的CES展会,整个自动驾驶行业一直长期处于亢奋状态。从L2-L5级别,只要你想似乎都能找到相对应的产品以及解决方案。仿佛大家之间正进行一场不言而喻的军备竞赛。远的不说,单说采埃孚本身,2017年第一次亮相并现场与百度合作上车的ProAI至今历历在目。随后两年,ProAI的型号一年比一年高,性能也逐代强悍。     

高等级自动驾驶汽车虚拟测试：研究进展与前沿

安全性测试是高等级自动驾驶汽车（Highly Automated Vehicles,HAV,指具备L3级及以上能力的自动驾驶汽车）规模化应用的基本保障。鉴于HAV测试对象与测试标准的变革,传统基于里程的车辆测试方法论不再适用,场景化虚拟测试正成为验证HAV安全性的核心方法。基于与国内外多家HAV研发机构开展虚拟测试合作的基础上,针对测试场景、测试工具和测试方法等方面的技术难点和学术问题进行汇总、归纳和分析。测试场景方面,围绕场景覆盖度的要求,需重点关注测试场景自主划分、自动化仿真生成和未知高风险场景搜寻等理论方法。测试工具方面,在构建HAV自动驾驶系统“环境感知-规划决策-运动执行”一体化仿真工具的基础上,需研究支撑测试场景生成、驾驶行为双向交互和多传感器物理模型融合的高可信仿真技术。测试方法方面,针对海量测试场景、HAV驾驶能力非单调变化等特征,亟待开展覆盖度驱动型测试方法、加速测试方法和多目标测试与评估等的研究。此外,在上述研究挑战的基础上,面向HAV虚拟测试自动化、快速化、一体化和协同化的应用需求,提出HAV虚拟测试仿真即服务（Simulation as a Service,SAAS）的系统架构,并进一步明确HAV安全性诊断分析、系统自主优化训练和面向系统快速迭代升级的测试方法等SAAS重点研究需求。