基于神经网络的无人无缆水下机器人运动建模与控制技术研究

对自主型水下机器人（ＡＵＶ）神经网络运动模型的结构进行了理论分析和探讨,提出了非完全回归型神经网络、增加积分层的输出层结构及相应的分步式学习方法。对ＡＵＶ运动过程中目标运动路径和目标运动速度的同时跟踪控制进行了系统研究。提出了由主控网络和伴随网络构成的神经网络控制器结构,给出了通过计算机模拟来生成教师样本的方法,提出了预测控制的思想。计算机仿真及水下机器人“Ｔｗｉｎ－Ｂｕｒｇｅｒ”的水池实验结果验证了本文所提出的建模方法和跟踪控制方法的有效性和可行性。     

基于风险网络的轨道交通车辆风险评价

针对轨道交通车辆系统的风险网络和关键部件风险评价开展研究，以系统部件和部件连接关系作为节点和边，建立了风险网络模型，分析了节点固有风险的影响因素和计算方法.根据节点之间故障传播概率得到边的作用强度和路径风险.对节点固有风险和路径风险进行分析，得到节点综合风险，并通过幂法对节点综合风险进行求解，从而识别部件对系统的影响程度.以转向架系统为例进行综合风险计算，结果表明：部件固有风险大小不能完全决定综合风险大小，还与部件连接关系和作用强度相关；与实际经验得出的关键部件综合风险排序对比，利用本文方法得到的关键部件排序一致性与其他方法相比有明显提升.     

Real-time model predictive control of connected electric vehicles

ABSTRACT

Electric Vehicles (EVs) motors develop high torque at low speeds, resulting in a high rate of acceleration with the added advantage of being fitted with smaller gearboxes. However, a rapid rise of torque in EVs fitted with central drive powertrains can create undesired torsional oscillations, which are influenced by wheel slip and flexibility in the halfshaft. These torsional oscillations in the halfshaft lead to longitudinal oscillations in the vehicle, thus creating problems with regard to comfort and drivability. The significance of using wheel slip in addition to halfshaft torsion for design of anti-jerk controllers for EVs has already been highlighted in our previous research. In this research, we have designed a look-ahead model predictive controller (LA-MPC) that calculates the required motor torque demand to meet the dual objectives of increased traction and anti-jerk control. The designed LA-MPC will improve drivability and energy consumption in connected EVs. The real-time capability of the LA-MPC has been demonstrated through hardware-in-the-loop experiments. The performance of the LA-MPC has been compared to other controllers presented in the literature. A validated high-fidelity longitudinal-dynamics model of the Rav4EV, which is the test vehicle of our research has been used to evaluate the controller.     

电动汽车整车运行性能检测试验技术

电动汽车的生产和制造需要符合相关的标准,并且还要对整车的性能进行测试,只有这样才能更好的符合汽车上路的条件。本文主要是将国标要求作为基础来对电动汽车的最高车速、滑行能力、加速性能、制动性能和爬坡能力和能量消耗率和续航里程进行测试,通过实施一定的检测试验方法和配套的相关试验设备来做好检测,并且要对测试的结果进行分析,对电动汽车的运行性能进行进一步的优化,从而推进我国电动汽车行业的更好发展和进步。     

Flow-field guided steering control for rigid autonomous ground vehicles in low-speed manoeuvring

ABSTRACT

This paper studies the low-speed manoeuvring problem for autono-mous ground vehicles operating in complex static environments. Making use of the intrinsic property of a fluid to naturally find its way to an outflow destination, a novel guidance method is proposed. In this approach, a reference flow field is calculated numerically through Computational Fluid Dynamics, based on which both the reference path topology and the steering reference to achieve the path are derived in a single process. Steering control considers three constraints: obstacle and boundary avoidance, rigidity of the vehicle, plus the non-holonomic velocity constraints due to the steering system. The influences of the parameters used during the flow field simulation and the control algorithm are discussed through numerical cases. A divergency field is defined to evaluate the quality of the flow field in guiding the vehicle. This is used to identify any problematic branching features of the flow, and control is adapted in the neighbourhood of such branching features to resolve possible ambiguities in the control reference. Results demonstrate the effectiveness of the method in finding smooth and feasible motion paths, even in complex environments.     

人机混驾环境下基于LSTM的无人驾驶车辆换道行为模型

道路系统中的人机混驾交通环境是指人工驾驶车辆与自动驾驶车辆混合运行的交通环境，其中换道行为建模是人机混驾环境下无人驾驶车辆行为研究的热点。基于深度学习理论，构建人机混驾环境下基于长短期记忆神经网络的无人驾驶车辆换道行为模型（Long-short-term-memory-based Autonomous Vehicles Lane Changing，LSTM-LC）。通过研究人工驾驶车辆在换道过程中与周边车辆的相互作用，对换道行为影响因素进行分析；同时，为了提升模型的迁移性，引入道路横向偏移量信息。结合LSTM神经网络的输入要求，使用美国公开交通数据集Next Generation SIMulation（NGSIM）构建换道行为样本库。针对LSTM-LC模型，以均方差MSE作为损失函数，使用RMSprop优化方法进行训练，对LSTM网络结构、历史序列长度N及训练样本量3个重要参数进行标定。最后，针对道路横向偏移量M对LSTM-LC模型性能的影响进行对比试验。研究结果表明：相比GRU-LC模型，LSTM-LC模型对换道行为的表征更准确，在模型的精度和迁移性上有着显著的提升；GRU-LC模型的均方差为4.64 m²，迁移性均方差为119.82 m²，而LSTM-LC模型的均方差为3.18 m²，迁移性均方差为79.58 m²，分别优化了31.5%和39.71%；通过引入道路横向偏移量M，可将LSTM-LC模型精度和迁移性提升约10%，且模型稳定性更强。     

路网环境下考虑大型车混入率的事故疏散诱导模型

大型车的混入对高速公路交通流产生了较大的影响，尤其是在交通事故情景下。为了引导事故条件下驾驶人和组织者做出高效准确的决断，将考虑了大型车混入率的动态空间占有率模型引入到交通波模型，构建干涉与非干涉情景下的交通事故影响模型。以郑尧高速为例，对模型的准确性和可行性进行了验证，分别对干涉情景下的疏散时间、疏散量以及事故发生的位置，车辆数等指标与事故影响程度的指标（包含事故最远排队长度，事故持续时间）关系进行分析。研究结果表明：疏散时间与事故影响程度成正相关关系，疏散量与事故影响程度成负相关关系，而事故发生点与上游匝道之间的距离与其关系不大；道路服务水平为0.456，车辆数为1 321 veh·h^-1时，为了使得分合流区不受影响，在不采取任何措施的情景下，应将大型车混入率控制在50.1%以下，使得最远排队长度在10 km内；当大型车混入率大于58%时，将很难通过干涉引导避免对上游分合流区产生影响；在35 min以内采取干涉措施的效果最为明显，而大于35 min时，事故持续时间会发生一个急剧的增加，不利于路网恢复，之后事故恢复时间将趋于平稳；对道路交通量进行模拟可知交通量每增加50 veh，疏散时间和距离增加的范围为[1.5 min，3.6 min]和[1.209 km，1.543 km]。研究结果可为高速公路事故诱导策略制定和疏散效果提升提供参考。     

道路交通事故痕迹鉴定确定肇事车辆

道路交通事故检验鉴定为公安机关交通管理部门的事故处理提供科学、专业的技术支持。检查和核实道路交通事故的影响是对道路交通事故技术评估的基本方法。已成为解决许多事故问题的重要依据。本文根据道路交通事故痕迹鉴定的实际情况,针对公安机关交通管理部门涉及复杂、疑难、特殊技术问题的痕迹鉴定情况,提出了针对性的解决方案。