基于自然驾驶数据的车辆自适应巡航系统控制方法

在常规的基于模型预测控制自适应巡航系统的算法中,舒适性约束均是采用固定加速度的形式,没有深入考虑不同速度下的加速度极值范围问题,这会导致在追求安全性和速度跟随性情况下,系统加速度和冲击度变化过大,从而降低了驾乘的舒适性。根据NGSIM自然驾驶数据集所得到了车辆的速度-加速度关系,并以此作为加速度的约束目标,将常规模型预测控制的定约束改为随速度变化的变约束,从而达到根据自然驾驶数据提高跟车舒适性的目的,并通过仿真试验验证了该方法的合理性。研究结果表明：该方法可使ACC系统在保证安全跟车和速度跟随的同时,使得加速度和冲击度波动变小;最大冲击度相比定加速度约束的模型预测控制减小了14.96%,可有效改善ACC系统的舒适性。     

考虑路面附着系数的行车风险场建模及避障控制研究

针对车辆在不同路面条件下的主动避障问题，提出一种考虑路面附着系数的行车风险场避障路径规划方法。首先，建立了包含道路边界风险场、目标引力场和障碍物风险场的行车风险场；基于容积卡尔曼滤波算法实时估算路面附着系数，并对考虑路面附着系数的行车风险场函数进行负梯度求导，得到风险值下降最快的避障路径；然后，采用5次多项式拟合优化得到满足车辆约束的避障参考路径；最后，采用模型预测控制算法跟踪避障路径。仿真结果表明：在相同车速下，路面附着系数越小，避障时的横向加速度越小，横向加速度的标准差越小，避障效果越平顺。