基于LSTM网络的驾驶意图识别及车辆轨迹预测

自动驾驶汽车需具备预测周围车辆轨迹的能力,以便做出合理的决策规划,提高行驶安全性和乘坐舒适性。运用深度学习方法,设计了一种基于长短时记忆（LSTM）网络的驾驶意图识别及车辆轨迹预测模型,该模型由意图识别模块和轨迹输出模块组成。意图识别模块负责识别驾驶意图,其利用Softmax函数计算出驾驶意图分别为向左换道、直线行驶、向右换道的概率;轨迹输出模块由编码器-解码器结构和混合密度网络（MDN）层组成,其中的编码器将历史轨迹信息编码为上下文向量,解码器结合上下文向量和已识别的驾驶意图信息预测未来轨迹;引入MDN层的目的是利用概率分布来表示车辆未来位置,而非仅仅预测一条确定的轨迹,以提高预测结果的可靠性和模型的鲁棒性。此外,将被预测车辆及其周围车辆组成的整体视为研究对象,使模型能够理解车-车间的交互式行为,响应交通环境的变化,动态地预测车辆位置。使用基于真实路况信息的NGSIM（Next Generation SIMulation）数据集对模型进行训练、验证与测试。研究结果表明：与传统的基于模型的方法相比,基于LSTM网络的轨迹预测方法在预测长时域轨迹上具有明显的优势,考虑交互式信息的意图识别模块具备更高的预判性和准确率,且基于意图识别的轨迹预测能降低预测轨迹与真实轨迹间的均方根误差,显著提高轨迹预测精度。     

基于辅助增压系数补偿的IEHB系统轮缸压力控制研究

为解决电动主缸引入导致线控液压制动系统响应迟滞、摩擦非线性及初始压差对压力控制产生不同影响的问题,通过对集成式线控液压制动(IEHB)系统电动主缸进行开环试验分析,提出一种压力控制策略。结合压力分段控制构架,采用基于辅助增压系数补偿的前馈及反馈PID方法对电动主缸进行调控,同时利用逻辑门限值的方法控制增压阀、减压阀及电动泵,实现了基于该IEHB系统的压力控制器设计。执行机构在环试验结果表明,该控制策略响应时间约为150 ms,并能较好地实现压力跟随控制。     

基于集成式线控液压制动系统的车辆稳定性控制CSCD

为提高汽车在极限工况下的行驶稳定性,提出了一种基于集成式线控液压制动(IEHB)系统的车辆动力学稳定性控制策略。在多学科领域复杂系统建模仿真平台(AMESim)中建立了IEHB执行机构、15自由度非线性车辆动力学物理仿真模型;采用分层控制构架,运用线性比例控制与非线性补偿控制设计了横摆力矩控制层,设计了制动力矩分配层和执行层以保证被控车辆对参考模型层输出的跟踪品质。结果表明:相比于基于传统车身电子稳定性控制系统(ESC)的动力稳定性控制系统,横摆角速度峰值跟踪误差减少13.6%,收敛时间缩短1.3 s,侧倾角、侧偏角、侧向加速度等也均有明显改善,车辆行驶稳定性显著提高。因而,本控制方法能确保车辆在极限工况下快速、准确地跟踪参考模型输出。