一、神经驾驶员·车·路闭环转向控制系统的研究（论文文献综述）
王晓峰[1]（2021）在《线控转向系统路感模拟与容错控制策略的研究》文中提出线控转向系统与汽车传统的转向系相比,同时具备转向轻便性、舒适性、安全性、操纵性以及稳定性,具有更高的性能,随着汽车系统智能化,线控化发展进程,势必会取代传统的机械转向系。本文主要针对线控转向系统的路感模拟及系统容错控制问题展开了研究。首先,对线控转向系统变角传动比特性进行了研究。分析并研究了转向灵敏度不变,仅与车速变化相关的变角传动比特性,并结合单电机线控转向系统的结构和工作原理,通过CarSim/Simulink软件建立了线控转向系统动力学模型和整车模型。其次,对线控转向系统路感模拟控制策略进行了研究。通过对比分析传感器测量法、动力学模型估算法和参数拟合法等路感模拟控制算法的优点和不足,考虑到“人-车-路”闭环系统各个环节间的相互关系,并结合不同驾驶员的偏好与转向系统对道路信息的反馈,提出了新的转向路感模拟控制算法（权重法）。仿真分析结果表明,该算法兼顾了转向轻便性及驾驶员对道路信息的获取。然后,针对线控转向系统转向电机故障检测问题,利用Simulink建立了永磁同步电机模型,根据扩展卡尔曼滤波对转向电机参数进行实时辨识,并设置门限值作为判断电机故障的依据。仿真分析结果表明,该方法能够对转向电机进行实时故障检测,增强了线控转向系统安全性。最后,为了避免线控转向系统因传感器故障及驾驶员误操作导致危险工况发生,提高线控转向系统容错性,利用多传感器信息融合算法对车辆转向信息进行实时估计,并实时监测估计信息与传感器测量信息之间的误差,当误差超出阈值范围,则采用估计值代替传感器测量值,以此防止车辆行驶过程中因传感器故障带来关键参数的缺失。另外根据转向信息,以ω-β策略和β-β策略为依据,实现对驾驶员误操作的过滤。仿真结果表明,该算法能够对传感器进行故障检测,对转向系统进行容错以及对驾驶员误操作进行过滤,提高了转向系统的安全性。图[66]表[7]参[82]
郭柏苍[2]（2021）在《面向人机共驾控制权决策的人-车风险等级预测方法研究》文中研究表明频发的交通事故证明驾驶车辆是一类高风险项目,驾驶人的风险驾驶行为是引发交通事故的主要诱因。近年来人工智能技术的发展大力推动了智能驾驶技术的进步,以自动驾驶系统作为驾驶主体辅助或替换人类驾驶人被视为从根本上解决人为因素导致安全性威胁的有效途径,是智能汽车相关领域的研究热点之一。面向由驾驶人和自动化系统共享控制权的人机共驾模式,当由驾驶人执行非必要驾驶任务直接或间接地加剧车辆风险时,智能汽车对人、车风险状态进行及时有效的监测并在高风险状态时接管控制权,抑制由驾驶人风险驾驶行为引发的安全隐患。经过对国内外相关领域研究现状的深入分析,总结相关研究中存在的问题与不足,确定本文的主要研究内容,主要研究成果如下:1.针对以往研究局限于辨识分心驾驶行为而忽略其对车辆风险状态产生影响问题,提出了基于XGBoost算法的超前时间风险驾驶行为预测模型。首先,为满足本文以风险驾驶行为作为切入点的研究需要,提出了适用于汽车驾驶人的改进NASA-TLX负荷评估方法,用于以精准施压、效果增强的方式设计承载不同类型、不同量级驾驶负荷的分心驾驶任务。其次,通过分析驾驶任务引发的车辆异常行驶状态,并考虑其对驾驶绩效造成的影响,经过交叉分析与验证实现了对驾驶行为风险等级的划分,为评估驾驶行为的风险等级提供理论支撑。最后,使用PCA降维处理并融合了视觉、生理和车辆运行状态多源信息以全面的表征驾驶人行为特征,充分发挥XGBoost算法的运算速度快、预测精度高的优势,建立了基于XGBoost的风险驾驶行为预测模型。2.针对部分车辆风险分析方法未考虑驾驶人属性差异而导致的不确定性问题,提出了考虑驾驶人特性的车辆风险行驶状态预测方法,解决了由复杂多变的人因属性导致模型泛化能力差等问题。首先,使用结构方程模型解构了制动反应时间的影响因素及其权重,优化了BP神经网络参数并提高了模型性能,建立了考虑驾驶人特性的制动反应时间预测方法,解决了部分人因属性难以直接测量的问题并提高了模型的泛化能力。其次,深入分析了换道持续时间与自车运动状态、相对运动状态和驾驶行为之间的相关性,提出了换道持续时间和纵向位移计算方法,为计算车辆行驶轨迹提供支持。最后,使用最小纵向安全距离模型计算两车无碰撞前提下的最小纵向距离,以假设前车紧急制动条件下留给后车驾驶人成功避撞的反应时间裕度作为车辆风险状态评价指标,重点对跟车场景、避让换道场景和换至有车车道场景中的行车安全性进行了分析,提出了考虑驾驶人特性的车辆风险行驶状态预测方法。3.针对智能汽车人机共驾模式的控制权决策和切换时机选取问题,提出了基于人-车风险状态的控制权决策方法,能够有效的输出合理决策结果并及时请求自动驾驶系统接管控制权,从根本上扼制由驾驶人风险驾驶行为引发的安全隐患。首先,以促进智能汽车的安全性最大化为目标,使用TOPSIS方法和完全静态博弈理论建立了人、车风险博弈模型,提出了相对效用最大化的策略函数并嵌入强化学习奖励函数中,推理了以最大化车辆安全性期望为导向的强化学习奖惩机制。其次,利用强化学习算法擅长解决序列决策问题的优势,提出了基于A2C算法的人机共驾控制权决策方法,通过调整人、车风险决策权重和奖励函数优化了决策模型的输出效果,使用模型性能评价指标对训练过程和结果的有效性进行了验证,通过仿真试验分析了切换时机对车辆安全性的影响,提出了能够及时有效的限制驾驶人风险行为并提升车辆安全性的控制权决策方法。
沈航先[3]（2021）在《车辆换道意图识别和轨迹预测模型研究》文中研究说明本文以准确预测出在不同驾驶环境下的车辆换道意图和换道轨迹为目标,首先分析了大量国内外关于驾驶意图识别和轨迹预测方法以及研究现状,分析了驾驶员的换道行为。随后,设计并搭建驾驶模拟器实验,采集驾驶人在不同道路条件下的驾驶行为参数和车辆运动学参数数据,提取表征车辆换道行为的参数作为基础数据。建立极端梯度提升（Extreme Gradient Boosting,XGBoost）换道意图识别模块和长短时记忆循环神经网络（Long Short-term Memory,LSTM）换道轨迹预测模块,最终对模型效果进行评价。本文具体研究工作如下:实验方案设计和数据采集。首先,在分析国内外相关研究的基础上,结合论文的研究目的,将换道行为划分为意图阶段和执行阶段。接着,进行实验方案的设计,包括前期实验平台搭建、城市主干路和高速公路驾驶模拟所需场景设计、所需数据采集设计工作等。同时,通过80名驾驶人分别在城市主干路和高速公路场景进行实验采集驾驶数据。通过异常数据剔除对原始数据进行了预处理,选取能够表征车道保持阶段和换道过程阶段的参数,建立样本数据库,为后续章节提供数据支撑。选取参数分析。通过特征筛选得到了车辆行驶速度、纵向加速度、加速度踏板开度、制动踏板开度、方向盘转角和横摆角六个特征参数。通过直观分析方法、参数标准差和均值等参考量,对在不同道路条件下驾驶员行驶过程中,车辆处于车道保持和换道过程阶段下的参数进行分别分析。换道意图识别和轨迹预测模型建立。在现实场景中,若能够准确的预测出换道意图将会提高车辆运行轨迹的精确性。本文提出XGBoost-LSTM的换道意图和车辆轨迹预测,该预测模型由意图识别模块和轨迹输出模块组成,通过XGBoost构建换道意图识别模块,计算出车辆的行驶意图,并与车辆历史轨迹和选取参数共同作为历史数据输入LSTM换道轨迹模块,预测出车辆接下来的换道轨迹。利用XGBoost对城市主干路和高速公路换道意图进行识别,通过模型预测精度并参考国内外研究现状确定换道意图时窗,根据选取的换道意图时窗作为LSTM换道轨迹预测输入,设置好LSTM模型参数,分别对城市主干路和高速公路的换道轨迹进行预测,绘制轨迹拟合情况图,最终通过均方根误差（Root-Mean-Square Error,RMSE）评价指标对换道轨迹预测拟合情况进行评价。
孙传扬[4]（2021）在《智能汽车紧急避撞轨迹规划与路径跟踪控制策略研究》文中研究表明智能汽车是先进传感与人工智能等新兴技术融合发展的产物,是具有自动驾驶功能的新一代汽车,同时也是解决交通事故、车辆利用率低与交通拥堵等问题的关键,发展智能汽车对于加速我国汽车产业转型升级具有重要意义。智能汽车紧急避撞功能的研究对于智能驾驶技术的推广应用、车辆行驶安全性能的提升等具有重要的推动作用,同时对于发展车辆运动规划与运动控制等技术具有积极意义。本文以智能汽车为研究对象,重点开展了紧急避撞工况下轨迹规划策略、路径跟踪控制系统建模、路径跟踪控制策略设计与优化等方面的研究。本文针对对向车辆侵入自车行驶车道引起的车辆碰撞事故,开展了智能汽车紧急避撞轨迹规划策略的研究。研究了对向车辆轨迹预测算法与自车轨迹规划功能开启的触发条件,提出了融合减速转向与定速转向等避撞方式的候选避撞轨迹规划方法;设计了基于模型预测的路径规划算法、具有“最小速度”代价函数的五次多项式速度规划算法与基于BP神经网络的目标状态确定方法,完成了对避撞轨迹的规划;设计了具有分层结构的碰撞检测算法与车辆碰撞位置预测算法;提出了结合碰撞速度变化量与车辆碰撞类型的自车碰撞严重度预测算法以及针对无碰撞候选轨迹的多目标评价函数,确定了综合性能最优的智能汽车避撞轨迹。本文建立了智能汽车路径跟踪控制系统的状态空间模型,该模型由二自由度车辆模型、轮胎侧向力计算模型及路径跟踪误差模型等三部分组成。建立了智能汽车侧向动力学模型,设计了应用Fiala轮胎模型与前轮侧向力数值查表的期望前轮转向角数值计算方法;研究了轮胎模型线性化过程中提高轮胎非线性特征描述精度的方法,提出了基于两点仿射近似的后轮侧向力线性化计算模型;建立了基于横摆角偏差的智能汽车路径跟踪误差模型,完成了智能汽车路径跟踪控制系统状态空间模型的建立。研究了基于车辆转向工况识别的复合跟踪误差模型,开发了智能汽车紧急避撞路径跟踪控制策略。建立了MPC控制算法的预测模型、代价函数以及MPC路径跟踪控制算法;研究了跟踪误差模型对车辆路径跟踪控制性能的影响机理,得出了兼顾车辆在稳态与瞬态转向工况下路径跟踪精度的复合跟踪误差模型;研究了可表征车辆横向运动状态及其变化趋势的特征参数,设计了采用模糊逻辑与加权平均方法的转向工况识别算法;研究了智能汽车的行驶稳定性约束,建立了基于复合跟踪误差模型的智能汽车紧急避撞路径跟踪控制策略。开展了智能汽车路径跟踪控制策略的鲁棒优化研究,建立了Tube-RMPC路径跟踪鲁棒优化控制策略。分析了智能汽车行驶环境中强侧向风等典型的不确定性,建立了带不确定性的路径跟踪控制系统模型;研究了路径跟踪控制系统Tube不变集的设计要求,提出了基于控制矩阵多面体分割的Tube不变集计算方法,运用离线凸包运算与N步可达集运算,获得了紧缩的Tube不变集序列;计算了Tube-RMPC算法的闭环反馈增益、终端代价函数、终端约束集以及名义路径跟踪控制系统的容许集,建立了Tube-RMPC路径跟踪鲁棒控制策略。开展了智能汽车紧急避撞轨迹规划与路径跟踪控制策略的仿真试验研究。仿真试验结果表明:所提出的基于复合跟踪误差模型的控制策略能在车辆接近操作极限的紧急避撞工况下将跟踪误差控制在0.1m以内,并且与广泛使用的基于横摆角偏差跟踪误差模型的控制策略相比,该策略将智能汽车路径跟踪的侧向位置偏差均方根值减小了28.6%。所提出的Tube-RMPC路径跟踪鲁棒控制策略能在路面附着系数识别误差为0.3、侧向风速为25m/s的条件下,将紧急避撞工况下智能汽车的路径跟踪误差控制在0.2m以内,实现了智能汽车的稳定控制;对设计的轨迹规划策略的触发条件、碰撞检测算法、碰撞严重度预测函数与候选轨迹多目标综合评价函数等算法的有效性进行了验证;仿真试验表明,所设计的紧急避撞轨迹规划策略能够使智能汽车在对向车辆侵入自车道的场景下,以较大的避撞安全余量实现碰撞避免或以较小的预测碰撞严重度实现碰撞缓解。图91幅,表13个,参考文献200篇。
韩小健[5]（2020）在《基于多模式的客车驾驶辅助与规划控制策略研究》文中研究指明客车由于自身长度长、质心高、载荷变化大等特点,失稳风险大,相较于乘用车更易引发交通事故。研究指出,超过90%的交通事故是由于驾驶员自身因素引起的,利用车辆智能化技术,开发先进驾驶辅助系统优化驾驶员操纵行为,或者采用智能驾驶技术替换驾驶员操纵车辆均可以提高客车行驶安全,减少因驾驶员误操作引发的交通事故率。当前市场上产品化的先进驾驶辅助系统缺少面向驾驶员操控特性的多样化设计,无法有效匹配有驾驶行为差异的驾驶员。轨迹规划技术是智能驾驶的核心模块之一,目前基于确定性搜索的轨迹规划算法可以归结为单目标多权重的轨迹优化问题。采用该方法生成的轨迹单一化,难以根据时变的交通流场景和个性化行驶需求生成多样化行驶轨迹。而且,随着表征轨迹特性的特征逐渐增多,表征各特征优先级的权重值愈发难以确定。针对当前研究中的不足,本文以减少因驾驶员因素导致的交通事故率、满足客车个性化行驶需求为目标,从辅助驾驶员和利用智能驾驶技术替换驾驶员两种智能化技术出发,基于多模式的设计思想,分别开发了考虑客车车道偏离驾驶特性的多模式拟人化车道保持驾驶辅助策略和客车多模式轨迹规划策略,主要研究内容如下:（1）针对智能化驾驶控制算法中存在的多种性能之间的矛盾问题,开发了基于双调节策略参数整定的自抗扰控制算法。为实现自抗扰控制算法的参数整定目标,设计了集成粗调节和精细调节的双调节策略;粗调节阶段设计控制参数调节规则,通过变化各待优化参数的取值探究各参数对自抗扰控制算法控制性能的影响规律,进而获取各待优化参数的取值范围,并将其设定为后续遗传算法优化所需的约束条件;在粗调节阶段基础上,采用遗传算法优化待优化参数实现精细调节,为改善遗传算法寻优能力,采用浮点数编码待优化参数,设计兼顾超调量与响应时间的适应度函数,利用模拟交叉二进制算子实现交叉运算,借鉴增强学习探索和利用的思想,采用自适应变异算子保证种群多样性和算法收敛性;通过改变被控对象内部参数、施加不同幅值的外部干扰等方式验证了基于双调节策略的自抗扰控制算法的鲁棒性和抗外界干扰性能,通过对比不同控制算法在相同车速下的路径跟踪效果,验证了自抗扰控制算法的路径跟踪性能和运行效率;在上述算法基础上,开发了基于动态横向载荷转移率的客车稳定性控制策略,为提高客车失稳预警能力,针对客车空载和满载两种载荷状态分别设计了随转向盘转角、车速变化的动态横向载荷转移率,搭建三自由度客车侧翻模型作为参考模型,利用双调节策略参数整定的自抗扰控制算法决策补偿横摆力矩,通过差动制动方式实现客车稳定性控制,选取空载和满载两种载荷状态下的双移线工况验证了客车稳定性控制策略的有效性。（2）针对驾驶员驾驶特性多样化和驾驶辅助策略控制单一化的研究问题,对客车车道偏离驾驶特性进行了辨识,并以此开发了考虑客车车道偏离驾驶特性的客车多模式拟人化车道保持驾驶辅助策略。为实现客车车道偏离驾驶特性的辨识目标,利用本文搭建的商用车智能驾驶平台采集客车车道偏离驾驶数据,分析提取特征参数,基于获取的有效特征参数组采用K均值聚类算法辨识客车车道偏离驾驶特性;在此基础上,分别推导了针对直道和弯道的时间域预警指标,综合辨识的客车车道偏离驾驶特性、驾驶员反应时间、自车对相邻车道行驶车辆的影响、车道偏离辅助系统相关规范和标准等因素设计了动态空间域预警指标,基于时间域和空间域预警指标,将偏离速度作为模式切换条件,设计了融合时间域和空间域预警指标的多模式动态预警算法;基于搭建的商用车电控液压助力转向系统,设计了包含助力转向控制模式和主动转向控制模式的协调控制策略,在主动转向控制模式下,为实现“车适应人”的拟人化思想,基于辨识的客车车道偏离驾驶特性,设计了谨慎型、一般型和激进型三种目标函数,借助遗传算法建立了与此驾驶特性相匹配的多模式拟人化主动转向控制算法;基于Truck Sim软件、AMESim软件和MATLAB/Simulink软件搭建了软件联合仿真测试平台,分别选取固定车速下的直道和弯道工况验证了本文提出的客车多模式动态预警算法和客车多模式拟人化主动转向控制策略的有效性。（3）在智能驾驶算法开发过程中,针对基于确定性采样的轨迹规划算法生成的轨迹单一化的研究问题,本文开发了基于群智能算法优化的客车多模式轨迹规划策略。从静态场景着手,针对快速搜索随机树采样随机性大、效率低等问题,提出了双向区域采样随机树搜索算法,利用高斯采样随机性和局部采样有向性加速有效节点地搜索,同时考虑客车动力学特性,用最小纵向安全距离和最小侧向安全距离包络客车进行采样,保证生成的采样节点满足车辆行驶要求;为提高碰撞检测效率,借鉴计算机图形学中不同方向包围盒的相交检测思路,利用分离轴定理实现了考虑客车实际尺寸的碰撞检测;为减少生成路径的震荡程度,设计了双平滑策略,通过无效点删除算法和驾驶共识原则初步平滑路径,在此基础上,利用三次B样条曲线进行二次路径平滑;在动态场景下,利用静态场景中开发的分离轴碰撞检测算法实现动态场景中的碰撞检测,为降低轨迹规划难度,利用Frenet坐标系将二维空间的横纵向耦合问题解耦为横向和纵向两个一维空间的轨迹规划问题,分别利用五次多项式和四次多项式拟合横向和纵向轨迹生成待选轨迹;为提高对最优轨迹的搜索效率,针对客车的行驶特性分别设计了横向和纵向的终端行为规划策略;为评价生成的候选轨迹,设计了考虑平滑性、舒适性、效率、距中偏离程度、速度跟踪性能五种成本函数,在此基础上,分别设计了以舒适型、效率型和融合型为目标的适应度函数,借助遗传算法实现了客车多模式轨迹规划策略的开发;为有效跟踪规划的轨迹,设计了集成双自抗扰控制算法、驱动策略和制动策略的纵向跟踪控制策略,结合基于双调节策略参数整定的自抗扰路径跟踪控制算法,通过横纵向协同控制实现了对多模式轨迹规划策略生成的多样化轨迹的有效跟踪。（4）为辨识客车车道偏离工况的驾驶员驾驶特性和验证提出的算法策略,本文搭建了商用车智能驾驶平台并实现了驾驶员驾驶特性辨识和算法策略的有效性验证。根据客车车道偏离驾驶特性辨识和本文提出的算法策略验证需求,基于Truck Sim软件、MATLAB/Simulink软件、电控液压助力转向系统和电控制动系统等实车硬件、NI和d SPACE等开发的实时仿真系统,制定了商用车智能驾驶平台的搭建方案,并完成了对硬件设备相关组件的选型及智能驾驶平台的搭建工作;分别对实时仿真系统、电控液压助力转向系统和电控制动系统的工作原理、硬件连接、系统通讯进行了详细介绍;本文所搭建的商用车智能驾驶平台实现了多个软件和硬件设备的有效通讯,实现了对客车车道偏离驾驶特性的辨识工作,以及对客车稳定性控制策略、客车多模式拟人化车道保持驾驶辅助策略的有效验证。
孙博华[6]（2020）在《考虑驾驶能力及驾驶习性的个性化人机共驾策略研究》文中进行了进一步梳理人机共驾系统可以视为社会属性的人与逻辑属性的车辆智能化子系统通过克服彼此间的决策冲突,最终形成的安全、高效且友好的稳定驾驶模式,是“驾驶人-智能系统”间的最优驾驶匹配。考虑社会因素、伦理因素以及“机驾”系统的智能逻辑属性对智能车辆的影响,人机协同共驾模式将很可能长期存在于智能汽车中。在人机共驾研究中,“人驾”与“机驾”的协同与冲突机理分析是研究基础,驾驶人的人因属性和“机驾”的决策逻辑是影响系统性能的主要因素。人因属性包含驾驶习性、驾驶技能和驾驶状态等驾驶人行为模式属性,是人机共驾系统进行驾驶权分配时的关键影响因素。此外,人因属性对于“机驾”决策逻辑也具有重要影响。因此,基于人因属性的个性化人机共驾策略研究,是未来智能驾驶系统的关键技术之一。本文在深入分析人机间的协同与冲突机理的基础上,针对人机协同共驾中驾驶人的人因属性和机器的逻辑属性,开展了考虑驾驶能力及驾驶习性的个性化人机协同共驾研究。建立起面向人因属性的系统激励及场景构建理论及测试方法,并搭建了相应的测试平台;提出驾驶能力概念及评估方法,解决了复杂多变的人因属性引起的驾驶权分配机制的合理性问题;采用中级类我度对应的“类我”属性表征及评估方法,实现了“类我”“机驾”策略;设计包含驾驶权仲裁子系统及“类我”“机驾”子系统的人机共驾策略架构,建立起高驾驶人可接受度及行驶安全性的人机协同共驾策略。首先,为满足用于人机共驾系统的驾驶能力及驾驶习性等人因属性表征及评估需求,本文提出了面向人因属性表征及评估的系统激励及场景构建理论及测试方法,建立了驾驶人在环智能模拟平台及实车数据采集及模型验证平台。提出了包含系统激励型、微观场景型及自然驾驶型的人因属性用“V”字型测试流程:基于激励信号的周期性及突变性选择激励信号并设计系统激励型场景;通过耦合车辆运动模型及车路可行驶区域空间拓扑结构的时空状态,建立可揭示人-车-路耦合机理及车路协同规律的虚拟随机车路场模型及相应的微观驾驶场景;通过建立完善的系统配置及合理的测试规程,设计支持高精度、多维度及高场景一致性的自然驾驶测试系统及测试方法。其次,为了解决具备时变、高阶非线性及动态特性的人因属性对人机共驾系统中驾驶权分配机制的影响,提出了驾驶能力概念及评估方法。将驾驶能力定义为驾驶人随外界环境负荷变化而对车辆渐变的把控能力,是个人驾驶习性、驾驶技能及驾驶状态等人因属性元素的综合体,具有时变、非线性及动态特性。基于Hammerstein模型建立了驾驶能力辨识模型,采用主成分分析法对模型中的关键参数进行解耦和降维;通过客观蚁群聚类和主观量表分析相结合的分类方式,实现了驾驶能力的分类;通过多元线性回归分析法计算得到驾驶能力评价方程。分别在典型激励场景和虚拟微观场景中,分析驾驶能力机理及特性,测试并验证驾驶能力评估方法的合理性和有效性。再次,根据“类我”属性表征及评估需求,建立了中级类我度对应的驾驶习性表征及评估框架。将驾驶习性定义为驾驶人相对稳定的、习惯性的内在行为倾向,是不同个体间具备强差异性的个人心理思维和行为模式的综合体。依次通过对驾驶习性的特征提取、离线评估、在线数据仲裁及在线评估方法,建立了“类我”属性的表征及评估方法。通过基于主客观相结合的分类方式、基于多维高斯隐马尔科夫过程的辨识模型及基于正交试验的参数优化方式,建立起“类我”属性的分类数据库及带有最优内参组合的离线辨识模型;通过基于车辆运动意图的交通态势辨识模型实现“类我”属性的在线数据仲裁,通过驾驶习性在线辨识模型实现“类我”属性的在线评估。依次在典型激励场景、虚拟场景及自然驾驶场景下验证并分析了“类我”属性表征及评估方法的评估准确率及在线评估周期。最后,建立考虑驾驶能力及驾驶习性的个性化人机共驾策略。分析了“人-车-控制器-场景”大系统中的人机协共驾系统与其他系统间的耦合及协作模式,进而设计了包含驾驶权仲裁子系统及“类我”“机驾”子系统的人机共驾系统架构。在动态驾驶任务中,“人驾”与“机驾”子系统通过实时调整驾驶权分配系数共享对车辆的控制权。通过基于多维混合高斯辨识过程的驾驶能力实时辨识模型,建立实时驾驶权仲裁机制;通过双层混合高斯隐马尔可夫辨识过程及混合可观测马尔科夫决策过程,实现适用于复杂场景的“类我”“机驾”决策逻辑。分别在模拟器平台及实车平台上建立包含车道、道路拓扑结构及车辆行为的复杂场景,通过所提出的人机共驾策略评价准则,验证并分析人机共驾控制策略的合理性及其相比于仅“人驾”及仅“机驾”模式的性能优势。
元加加[7]（2020）在《分布式驱动电动汽车主动后轮转向与转矩分配协调控制》文中认为分布式驱动电动汽车可实现四轮转矩的实时独立精度控制,为车辆稳定性控制提供了新的策略与方法。为充分发挥四轮转向技术在改善车辆操纵稳定性方面的优势,本文以分布式驱动电动汽车为研究对象,研究了主动后轮转向轮胎动力学特性及控制,并设计了主动后轮转向和转矩分配协调控制策略。主要研究工作如下:建立了四轮转向汽车非线性动力学模型。应用MATLAB/Simulink建立了7自由度车辆动力学模型、轮胎模型、电机模型及驾驶员模型,实现了非线性动力学整车模型的数值计算,并通过开、闭环控制仿真试验与Carsim中车辆模型试验结果对比分析,验证了所建模型的有效性及精度,为研究提供了精度较高的仿真试验平台。分析了主动后轮转向最优控制参数与控制性能优劣的关系,并考虑车辆工况变化带来的影响。通过分析车辆稳定性影响条件并确定控制参数,提出一种模糊自适应参数调节的主动后轮转向最优控制器。并通过开、闭环控制仿真验证及操纵稳定性评价指标分析得出:所提出的主动后轮转向控制器在不同附着系数路面上具有较好的适应性,提高了车辆运动轨迹跟踪性能和行驶的安全性。为克服特殊工况下单一转向控制存在的局限性,基于（质心侧偏角）相平面法判定原则,提出一种主动后轮转向与转矩分配的协调控制策略,并通过连续正弦增益开环仿真试验验证所提控制策略的有效性。为增大车辆在稳定区域的稳定性范围以应对突发状况,以轮胎利用率最低为目标函数的分层控制:上层为车辆运动跟踪控制层,以外界输入、车速为系统输入,分别设计了车速PID控制器及横摆稳定性滑模控制器,引入线性车辆模型来消除质心侧偏角、横摆角速度与附加横摆力矩之间的耦合关系,并联合主动后轮转向控制器及参考模型计算所需的广义纵向力及附加横摆力矩;下层采用带约束的非线性全局二次规划法将广义控制力进行全局优化求解,并将分配值输入到各个车轮上以提高车辆的稳定性。最终通过开、闭环仿真试验结果表明:所设计的协调控制策略可以提高车辆高速行驶时的主动安全性。
吴秋淑[8]（2020）在《驾校学员建模与基于MPC的教练决策研究》文中进行了进一步梳理当下驾校车辆、人力资源匮乏,是我国驾校亟需解决的关键问题之一。现有的汽车驾驶模拟器一定程度上缓解了驾培市场中教练车供不应求以及油耗上升的问题,但其仅能提供驾驶体验,无法给予学员驾驶反馈和指导,因此如何针对不同驾驶特性的学员给予及时有效的驾驶指导成为研究的重点和难点。本文提出了 一种学员模型,用以获取学员驾驶特性;并设计了一种基于模型预测控制（M PC）算法的教练控制策略,为学员提供驾驶指导;之后基于模糊C均值（FCM）算法对学员进行分类,并针对分类后不同特性的学员提出一种因材施教型教练系统。主要研究工作如下:1)在已有驾驶员模型的基础上,首次提出一种学员模型。学员不同于驾驶员,需要在现有驾驶员模型的基础上,充分考虑预瞄时间、动作滞后特性,引入学员判断时间、指令接受度、指令接受时间3个参数,建立学员模型,之后利用最小二乘法进行学员特性参数估计,并通过CARSIM-SIMULINK联合仿真进行模型验证分析。2)针对教练决策指导问题,提出一种基于MPC的教练控制策略。在学员模型的基础上,以防止学员压线、保证驾驶车辆稳定性、限制方向盘转角阈值为约束条件,以学员轨迹与道路中心线轨迹偏差、学员方向盘转角与教练指令偏差、教练给出方向盘转角变化幅度最小为目标函数,设计教练决策算法,最后通过与无教练指导下学员驾驶轨迹对比,验证教练控制策略的可行性。3)为了区分不同学员的特性,满足因材施教的功能,提出基于FCM的因材施教型教练系统。在学员特性研究的基础上,提出一种基于FCM的学员特性分类方法,将学员分为迟缓型、一般型、急躁型三类,然后基于分类结果设计模糊规则,得到教练决策针对不同类别学员的权重系数,并基于M P C教练决策算法,建立因材施教型教练系统,最后通过与无教练指导系统进行对比,验证系统的因材施教能力。
闫茜[9]（2020）在《汽车避障路径规划及其主动安全性评价研究》文中研究指明智能驾驶相关技术作为汽车工业领域当下及未来重点发展方向之一,可以减少由驾驶员不规范行为导致的各类交通事故,提升出行效率及行驶安全性。路径规划及路径跟踪控制技术作为智能驾驶系统的关键环节,对其展开研究并进行合理的主动安全性评价具有重要意义。本文针对局部避障路径规划算法及路径跟踪控制方法进行了研究与改进,利用主动安全性评价指标从整体的角度对路径可跟随性及行驶稳定性进行了评价,具体研究内容如下:（1）研究了汽车避障路径规划的约束条件,建立了车辆运动学模型并基于该模型分析了车辆运动学约束;建立了避障安全距离模型并基于该模型设置了虚拟障碍物约束;采用MAKLINK图论法分别建立了单向双车道单障碍物环境模型和单向三车道多障碍物环境模型,为后续路径规划提供了基础。（2）对局部避障路径规划算法进行了研究。介绍了Dijkstra算法的基本原理,并采用此算法进行了初始次优避障路径规划;介绍了蚁群算法的基本原理,针对传统蚁群算法收敛速度慢、容易陷入局部最优解以及规划路径不平滑等问题进行了改进,由此得到了最优避障路径;通过同人工势场法及A*算法作对比分析,对本文算法规划路径的有效性进行了验证。（3）对汽车路径跟踪控制方法及主动安全性评价指标进行了研究。在Simulink中建立了三自由度非线性车辆轮胎动力学模型,并与Carsim整车模型进行了对比验证;建立了基于侧向加速度反馈的自适应模糊-PID驾驶员模型以实现路径方向跟踪;考虑方向盘忙碌程度、侧翻危险性以及路径跟随效果建立了汽车主动安全性评价指标,并利用评价指标对驾驶员模型中的预瞄时间进行了优化;最后将本文所搭驾驶员模型与预瞄最优曲率驾驶员模型进行了对比验证。（4）在Simulink中建立了联合局部避障路径规划及路径跟踪控制的系统模型,通过仿真试验实现了对局部避障路径的规划及方向跟踪控制,利用汽车主动安全性评价指标对规划路径的可跟随性及行驶稳定性进行了评价,说明了本文所设计路径规划算法及跟踪控制器的可行性。
周小川[10]（2020）在《电液复合转向系统不确定性优化设计研究》文中研究指明针对大型车辆转向能耗高、驾驶员转向舒适性差等不足,本文在电动助力转向系统和电动液压助力转向系统的基础上,提出了一种电液复合转向系统,可以在满足大功率转向需求的同时,融合良好的转向经济性和转向路感。对于这种新型转向系统的优化设计,需要考虑复杂机电液耦合关系以及不确定性对转向性能的影响。因此,本文以电液复合转向良好的节能特性、转向路感和回正性能为目标,围绕汽车电液复合转向系统的性能分析和不确定性优化设计展开研究。本文的主要研究内容为:首先,建立电液复合转向系统动力学模型,以及机械、电气和液压子系统的能量流模型,在此基础上基于AMESim软件构建系统多学科仿真模型,分析电机、液压管路、液压阀、动力缸和机械转向结构等参数之间的耦合关系,以及它们对转向性能的影响。根据参数灵敏度分析的结果,选择主要耦合参数作为设计变量,以转向能耗、转向路感和方向盘回正误差为优化目标,采用所提出的改进的竞争多目标粒子群算法进行多目标优化。其次,在多目标优化的基础上,将不确定性理念引入传统并行子空间优化方法,提出一种考虑系统不确定性因素的响应面并行子空间优化方法,对电液复合转向系统的稳健性和可靠性进行优化,保证电液复合转向系统的优化结果在不确定性因素的影响下始终处于较优水平。最后,为了验证优化后的综合转向性能,本文考虑真实交通环境并基于硬件在环平台进行了性能仿真试验。结果表明,装有电液复合转向系统的车辆在转向工况下的能耗显着降低,并且还可以满足转向助力和驾驶员良好路感的要求。本文的研究成果验证了汽车电液复合转向系统不确定性优化的可行性和有效性,提升了系统的综合转向性能,可为电液复合转向系统的优化设计提供理论基础和技术支持。
二、神经驾驶员·车·路闭环转向控制系统的研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、神经驾驶员·车·路闭环转向控制系统的研究（论文提纲范文）
（1）线控转向系统路感模拟与容错控制策略的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题的研究背景 |
| 1.2 转向系统的发展历程 |
| 1.2.1 机械转向系统 |
| 1.2.2 液压助力转向系统 |
| 1.2.3 电控液压助力转向系统 |
| 1.2.4 电动助力转向系统 |
| 1.2.5 主动转向系统 |
| 1.3 国内外线控转向系统发展概况 |
| 1.4 线控转向关键技术研究现状 |
| 1.4.1 变角传动比特性设计 |
| 1.4.2 路感模拟控制策略 |
| 1.4.3 线控转向系统容错控制策略 |
| 1.5 本课题主要研究内容及意义 |
| 1.5.1 主要研究内容 |
| 1.5.2 研究意义 |
| 1.5.3 论文框架 |
| 2 变角传动比特性的研究及SBW动力学模型建立 |
| 2.1 变角传动比特性的研究 |
| 2.1.1 机械转向系统转向特性研究 |
| 2.1.2 变角传动比设计 |
| 2.1.3 变角传动比特性 |
| 2.2 线控转向系统工作原理及动力学模型 |
| 2.2.1 线控转向系统工作原理 |
| 2.2.2 线控转向系统的布置方式 |
| 2.2.3 动力学模型的建立 |
| 2.3 CarSim与Simulink联合仿真模型 |
| 2.4 仿真验证 |
| 2.5 本章小结 |
| 3 线控转向系统路感模拟控制策略的研究 |
| 3.1 路感模拟概述 |
| 3.2 路感控制策略的研究 |
| 3.2.1 动力学模型估算法 |
| 3.2.2 参数拟合法 |
| 3.2.3 传感器测量法 |
| 3.2.4 仿真分析 |
| 3.3 权重法模拟路感 |
| 3.4 转向轻便性仿真试验 |
| 3.5 本章小结 |
| 4 基于扩展卡尔曼滤波线控转向系统容错控制的研究 |
| 4.1 转向电机的选择 |
| 4.1.1 永磁同步电机 |
| 4.1.2 直流无刷电机 |
| 4.1.3 电机性能的仿真分析 |
| 4.2 电机状态观测器的建立 |
| 4.2.1 卡尔曼滤波 |
| 4.2.2 扩展卡尔曼滤波 |
| 4.3 转向电机故障检测 |
| 4.4 线控转向系统容错控制 |
| 4.4.1 多传感器信息融合容错控制算法 |
| 4.4.2 传感器容错控制策略 |
| 4.4.3 驾驶员误操作容错控制策略 |
| 4.5 仿真验证 |
| 4.6 本章小结 |
| 5 线控转向系统硬件在环试验方案设计 |
| 5.1 硬件在环方案 |
| 5.2 硬件选取 |
| 5.3 LabVIEW RT与CarSim联合仿真 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介及读研期间主要科研成果 |
（2）面向人机共驾控制权决策的人-车风险等级预测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 风险驾驶行为研究现状 |
| 1.2.2 车辆风险行驶状态预测研究现状 |
| 1.2.3 人机共驾控制权切换研究现状 |
| 1.3 研究内容与技术路线 |
| 1.3.1 主要研究内容 |
| 1.3.2 研究技术路线 |
| 第2章 试验方案设计 |
| 2.1 试验条件 |
| 2.1.1 受试者招募及其信息统计 |
| 2.1.2 实车试验条件 |
| 2.1.3 硬件仿真试验平台与仿真试验场地构建 |
| 2.2 人因工程与工效学设备及软件平台 |
| 2.3 试验方案设计 |
| 2.4 本章小结 |
| 第3章 驾驶行为的安全性分析与风险状态预测方法 |
| 3.1 风险驾驶行为的定义与设计 |
| 3.1.1 基于典型分心任务的风险驾驶行为分析与设计 |
| 3.1.2 驾驶任务的负荷施加方法 |
| 3.1.3 基于驾驶人负荷指数量表的驾驶负荷量综合评估 |
| 3.2 基于风险驾驶事件发生率的分心驾驶行为风险分析 |
| 3.2.1 风险驾驶事件概述 |
| 3.2.2 风险驾驶事件判别方法 |
| 3.2.3 分心驾驶行为的风险初步判别结果 |
| 3.3 风险驾驶行为的驾驶绩效分析 |
| 3.3.1 驾驶行为风险表征参数 |
| 3.3.2 驾驶绩效评价指标 |
| 3.3.3 驾驶绩效交叉评价指标 |
| 3.3.4 驾驶绩效的比较分析结果 |
| 3.4 基于人-车多源信息的风险驾驶行为表征指标体系 |
| 3.4.1 风险驾驶行为表征指标 |
| 3.4.2 基于主成分分析法的指标降维方法 |
| 3.4.3 风险驾驶行为表征指标体系 |
| 3.5 基于XGBoost的风险驾驶行为预测方法 |
| 3.5.1 XGBoost算法原理 |
| 3.5.2 超前预测时间与样本参数时间窗设定 |
| 3.5.3 模型的最大深度和学习率选定 |
| 3.5.4 不同超前时间条件下的模型精度检验 |
| 3.6 本章小结 |
| 第4章 考虑驾驶人特性的车辆风险状态预测方法 |
| 4.1 考虑驾驶人特性的制动反应时间计算方法 |
| 4.1.1 制动反应时间的解构模型 |
| 4.1.2 基于结构方程模型的制动反应时间影响因素路径分析 |
| 4.1.3 基于BP神经网络的制动反应时间预测方法 |
| 4.1.4 制动反应时间预测模型的验证分析 |
| 4.2 车辆换道持续时间与纵向位移计算方法 |
| 4.2.1 换道持续时间与跟车距离 |
| 4.2.2 换道持续时间与自车速度 |
| 4.2.3 换道持续时间与横向位移 |
| 4.2.4 换道持续时间与驾驶行为负荷量 |
| 4.2.5 换道持续时间与纵向位移计算方法 |
| 4.3 基于驾驶人反应时间裕度的车辆风险状态预测方法 |
| 4.3.1 研究的基本假设与工况限定 |
| 4.3.2 最小纵向安全距离计算方法 |
| 4.3.3 车辆制动过程分析和制动距离计算方法 |
| 4.3.4 跟车场景中的风险预测模型 |
| 4.3.5 避让换道场景中的换道风险预测模型 |
| 4.3.6 换至有车车道场景中的换道风险预测模型 |
| 4.4 车辆风险状态等级划分与驾驶人反应时间裕度分析 |
| 4.4.1 基于时间裕度的车辆风险状态等级划分 |
| 4.4.2 风险驾驶行为与时间裕度的关系 |
| 4.5 本章小结 |
| 第5章 基于人-车风险状态的人机共驾控制权决策方法 |
| 5.1 人机共驾控制权决策概述 |
| 5.2 基于人-车风险状态博弈关系的A2C奖惩机制 |
| 5.2.1 人-车风险状态完全信息静态均衡博弈 |
| 5.2.2 基于熵权-TOPSIS方法的策略效用函数计算方法 |
| 5.2.3 基于人-车风险状态博弈均衡的奖励函数推理 |
| 5.3 基于A2C算法架构的人机共驾控制权决策方法 |
| 5.3.1 强化学习的马尔科夫决策过程 |
| 5.3.2 基于A2C架构的人机共驾控制权决策方法 |
| 5.3.3 模型的性能检验 |
| 5.4 基于人-车风险状态的控制权决策结果与分析 |
| 5.4.1 决策模型调试及其决策效果 |
| 5.4.2 控制权切换时机与切换效果分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 本文创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介及攻读博士期间取得的科研成果 |
（3）车辆换道意图识别和轨迹预测模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究目的意义 |
| 1.2 国内外研究现状 |
| 1.2.1 驾驶员换道意图识别研究现状 |
| 1.2.2 换道轨迹预测模型研究现状 |
| 1.2.3 研究现状总结 |
| 1.3 论文主要内容和技术路线 |
| 2 车辆换道过程分析与驾驶模拟实验 |
| 2.1 换道过程分析 |
| 2.1.1 换道意图 |
| 2.1.2 换道行为 |
| 2.2 模拟驾驶实验设计 |
| 2.2.1 城市主干路场景设计 |
| 2.2.2 高速公路场景设计 |
| 2.2.3 驾驶人招募 |
| 2.2.4 驾驶模拟实验数据采集 |
| 2.3 实验数据预处理 |
| 2.3.1 异常值处理 |
| 2.3.2 换道轨迹数据预处理 |
| 2.3.3 换道样本筛选 |
| 2.4 车辆运动学参数预处理 |
| 2.4.1 车辆运动学参数平滑处理 |
| 2.4.2 车辆运动学参数筛选 |
| 2.5 本章小结 |
| 3 车辆换道过程运动学参数分析 |
| 3.1 车辆纵向运动学参数分析 |
| 3.1.1 车辆行驶速度 |
| 3.1.2 纵向加速度 |
| 3.1.3 加速踏板开度 |
| 3.1.4 制动踏板开度 |
| 3.2 车辆横向运动学参数分析 |
| 3.2.1 方向盘转角 |
| 3.2.2 横摆角 |
| 3.3 不同驾驶阶段车辆运行状态参数综合分析 |
| 3.4 本章小结 |
| 4 车辆换道意图识别 |
| 4.1 XGBoost换道意图识别模型 |
| 4.1.1 XGBoost理论基础 |
| 4.1.2 XGBoost算法模型设计 |
| 4.2 换道数据预处理 |
| 4.2.1 换道数据训练集和测试集构建 |
| 4.2.2 换道数据归一化 |
| 4.3 城市主干路交通场景 |
| 4.3.1 换道意图识别结果分析 |
| 4.3.2 换道意图识别模型评价 |
| 4.4 高速公路交通场景 |
| 4.4.1 换道意图识别结果分析 |
| 4.4.2 换道意图识别模型评价 |
| 4.5 本章小结 |
| 5 车辆换道轨迹预测 |
| 5.1 XGBoost-LSTM换道轨迹预测模型 |
| 5.1.1 LSTM理论基础 |
| 5.1.2 XGBoost-LSTM轨迹预测模型设计 |
| 5.2 城市主干路交通场景 |
| 5.2.1 换道轨迹预测结果分析 |
| 5.2.2 换道轨迹预测评价 |
| 5.3 高速公路交通场景 |
| 5.3.1 换道轨迹预测结果分析 |
| 5.3.2 换道轨迹预测评价 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
| 附件 |
（4）智能汽车紧急避撞轨迹规划与路径跟踪控制策略研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 常用符号表 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 智能汽车发展现状 |
| 1.3 智能汽车轨迹规划技术的研究现状 |
| 1.3.1 行驶轨迹规划算法研究现状 |
| 1.3.2 紧急避撞轨迹规划策略研究现状 |
| 1.4 智能汽车路径跟踪控制技术的研究现状 |
| 1.4.1 路径跟踪控制系统研究现状 |
| 1.4.2 路径跟踪控制策略研究现状 |
| 1.5 论文主要研究内容及结构 |
| 2 智能汽车紧急避撞轨迹规划策略研究 |
| 2.1 智能汽车紧急避撞交通场景分析 |
| 2.1.1 紧急避撞交通场景定义 |
| 2.1.2 对向车辆行驶轨迹预测 |
| 2.1.3 紧急避撞轨迹规划的触发条件 |
| 2.2 智能汽车的紧急避撞轨迹规划算法研究 |
| 2.2.1 紧急避撞轨迹规划的问题分析 |
| 2.2.2 基于模型预测的避撞轨迹路径规划 |
| 2.2.3 基于多项式拟合的避撞轨迹速度规划 |
| 2.2.4 避撞轨迹目标状态的确定 |
| 2.3 智能汽车紧急避撞轨迹的确定 |
| 2.3.1 候选轨迹的碰撞检测 |
| 2.3.2 车辆碰撞严重度预测 |
| 2.3.3 考虑碰撞缓解的避撞轨迹确定 |
| 2.4 本章小结 |
| 3 智能汽车路径跟踪控制系统建模 |
| 3.1 智能汽车路径跟踪控制系统的结构分析及建模假设 |
| 3.1.1 路径跟踪控制系统的结构分析 |
| 3.1.2 路径跟踪控制系统的建模假设 |
| 3.2 智能汽车的侧向动力学建模 |
| 3.2.1 二自由度车辆模型建立 |
| 3.2.2 轮胎侧向力计算模型 |
| 3.3 智能汽车的路径跟踪误差模型 |
| 3.4 路径跟踪控制系统的状态空间模型 |
| 3.5 本章小结 |
| 4 紧急避撞工况下智能汽车路径跟踪控制策略研究 |
| 4.1 智能汽车路径跟踪控制算法建立 |
| 4.1.1 MPC控制算法的预测模型 |
| 4.1.2 MPC路径跟踪控制算法建立 |
| 4.2 紧急避撞工况下路径跟踪误差模型的优化研究 |
| 4.2.1 基于航向角偏差的跟踪误差模型优化 |
| 4.2.3 基于车辆转向工况识别的复合跟踪误差模型 |
| 4.3 基于复合跟踪误差模型的路径跟踪控制策略研究 |
| 4.3.1 智能汽车稳定性约束研究 |
| 4.3.2 智能汽车路径跟踪控制策略建立 |
| 4.4 本章小结 |
| 5 智能汽车路径跟踪鲁棒优化控制策略研究 |
| 5.1 智能汽车路径跟踪控制的鲁棒优化分析 |
| 5.1.1 路径跟踪控制系统的不确定性分析 |
| 5.1.2 Tube-RMPC算法分析 |
| 5.2 基于车辆时变参数特性的Tube不变集优化设计 |
| 5.2.1 Tube不变集计算方法分析 |
| 5.2.2 车辆时变参数特性分析 |
| 5.2.3 Tube不变集优化设计 |
| 5.3 Tube-RMPC路径跟踪鲁棒优化控制策略研究 |
| 5.3.1 Tube-RMPC算法的反馈增益 |
| 5.3.2 路径跟踪控制系统的稳定性约束条件 |
| 5.3.3 Tube-RMPC系统控制输入求解 |
| 5.4 本章小结 |
| 6 智能汽车避撞轨迹规划与路径跟踪控制的仿真试验研究 |
| 6.1 智能汽车轨迹规划与路径跟踪控制的仿真平台简介 |
| 6.1.1 基于Car Sim与 Simulink的联合仿真平台简介 |
| 6.1.2 智能汽车仿真分析技术参数与行驶环境设置 |
| 6.2 智能汽车路径跟踪控制策略的对比分析 |
| 6.2.1 基于复合跟踪误差模型的路径跟踪控制策略的对比分析 |
| 6.2.2 路径跟踪鲁棒优化控制策略的对比分析 |
| 6.3 智能汽车紧急避撞轨迹规划策略的验证分析 |
| 6.3.1 仿真试验设置 |
| 6.3.2 仿真试验及结果分析 |
| 6.4 本章小结 |
| 7 全文总结 |
| 7.1 主要工作及结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（5）基于多模式的客车驾驶辅助与规划控制策略研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景与提出 |
| 1.2 课题相关技术研究现状 |
| 1.2.1 考虑驾驶特性的车道保持辅助系统研究现状 |
| 1.2.2 针对智能车的轨迹规划算法研究现状 |
| 1.2.3 考虑多样化的轨迹规划算法研究现状 |
| 1.2.4 拟人化控制算法研究现状 |
| 1.3 研究现状分析 |
| 1.4 本文主要研究内容和技术路线 |
| 第2章 基于双调节策略的自抗扰控制算法开发 |
| 2.1 基于双调节策略的ADRC算法开发 |
| 2.1.1 ADRC算法结构设计 |
| 2.1.2 双调节策略 |
| 2.1.3 DA-ADRC算法仿真验证 |
| 2.2 基于DA-ADRC算法的客车稳定性控制策略开发 |
| 2.2.1 客车稳定性控制策略整体框架 |
| 2.2.2 侧翻工况识别 |
| 2.2.3 补偿横摆力矩决策 |
| 2.2.4 制动轮制动气室压力计算 |
| 2.2.5 客车稳定性控制策略仿真验证与分析 |
| 2.3 本章小结 |
| 第3章 客车多模式拟人化车道保持驾驶辅助策略开发 |
| 3.1 客车车道偏离驾驶特性辨识 |
| 3.1.1 试验工况设计 |
| 3.1.2 驾驶特性辨识 |
| 3.2 客车多模式拟人化LKAS策略开发 |
| 3.2.1 多模式动态预警算法开发 |
| 3.2.2 多模式拟人化主动转向控制策略开发 |
| 3.3 客车多模式拟人化LKAS策略仿真验证与分析 |
| 3.3.1 多模式动态预警算法仿真及分析 |
| 3.3.2 多模式拟人化主动转向控制算法仿真及分析 |
| 3.4 本章小结 |
| 第4章 客车多模式轨迹规划与控制策略研究 |
| 4.1 轨迹规划算法开发需求 |
| 4.2 基于BRS-RRT的静态路径规划算法开发 |
| 4.2.1 静态路径规划算法整体框架 |
| 4.2.2 基于BRS算法的采样策略 |
| 4.2.3 基于SAT定律的碰撞检测 |
| 4.2.4 基于双平滑策略的后处理方法 |
| 4.3 多模式轨迹规划策略与跟踪控制算法开发 |
| 4.3.1 多模式轨迹规划策略开发 |
| 4.3.2 轨迹跟踪控制策略开发 |
| 4.4 轨迹规划算法仿真验证及结果分析 |
| 4.4.1 静态路径规划算法仿真验证 |
| 4.4.2 纵向跟踪控制策略仿真验证 |
| 4.4.3 多模式轨迹规划策略仿真验证 |
| 4.5 本章小结 |
| 第5章 商用车智能驾驶平台搭建与策略验证 |
| 5.1 商用车智能驾驶平台架构与搭建 |
| 5.1.1 商用车智能驾驶平台架构 |
| 5.1.2 硬件平台搭建 |
| 5.1.3 软件平台搭建 |
| 5.2 基于DA-ADRC算法的客车稳定性控制策略验证 |
| 5.2.1 满载双移线工况 |
| 5.2.2 空载双移线工况 |
| 5.3 客车多模式拟人化LKAS驾驶辅助策略验证 |
| 5.4 本章小结 |
| 第6章 全文总结及展望 |
| 6.1 全文总结 |
| 6.2 本文创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（6）考虑驾驶能力及驾驶习性的个性化人机共驾策略研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究意义 |
| 1.1.1 课题工业背景 |
| 1.1.2 人机共驾协同与冲突机理分析 |
| 1.2 研究现状与不足 |
| 1.2.1 驾驶权分配机制研究现状与不足 |
| 1.2.2 “类我”属性表征研究现状与不足 |
| 1.2.3 人因系统激励及场景测试方法研究现状与不足 |
| 1.2.4 复杂场景下“机驾”决策逻辑研究现状与不足 |
| 1.3 课题的提出及主要研究内容 |
| 第2章 人因属性系统激励及场景测试方法研究 |
| 2.1 人因属性系统激励及场景测试流程 |
| 2.2 人因属性数据采集系统及测试平台 |
| 2.2.1 驾驶人在环智能模拟平台 |
| 2.2.2 实车数据采集及模型验证平台 |
| 2.3 基于单一激励源的激励信号及激励场景设计 |
| 2.4 虚拟随机车路场微观交通场景设计 |
| 2.4.1 自然驾驶场景的场论化描述 |
| 2.4.2 虚拟随机车路场系统 |
| 2.4.3 虚拟随机车路场系统数据采集方案 |
| 2.4.4 虚拟随机车路场系统验证与分析 |
| 2.5 自然驾驶型测试方法设计 |
| 2.5.1 基于特定路线的自然驾驶测试 |
| 2.5.2 基于典型场景的自然驾驶测试 |
| 2.6 本章小结 |
| 第3章 驾驶能力属性分析及评估方法研究 |
| 3.1 面向驾驶权分配的驾驶能力属性描述 |
| 3.2 驾驶能力属性分析及评估方法 |
| 3.2.1 驾驶能力属性分析逻辑框架 |
| 3.2.2 驾驶能力系统机理及评估方法 |
| 3.3 驾驶能力属性测试验证结果分析 |
| 3.3.1 典型激励场景下的驾驶能力属性分析 |
| 3.3.2 虚拟随机车路场下的驾驶能力属性分析 |
| 3.4 本章小结 |
| 第4章 “类我”属性表征及评估方法研究 |
| 4.1 “类我”属性评估方法的逻辑框架 |
| 4.2 “类我”属性离线表征及评估方法 |
| 4.2.1 “类我”属性离线表征及评估框架 |
| 4.2.2 驾驶习性主客观耦合分类 |
| 4.2.3 驾驶习性离线辨识模型 |
| 4.3 “类我”属性在线数据仲裁及评估方法 |
| 4.3.1 驾驶习性在线评价逻辑框架 |
| 4.3.2 交通态势在线评估方法 |
| 4.3.3 在线数据仲裁逻辑 |
| 4.4 驾驶习性测试验证结果分析 |
| 4.4.1 典型激励场景的驾驶习性属性分析 |
| 4.4.2 典型虚拟场景的交通态势评估验证 |
| 4.4.3 自然驾驶型场景测试下驾驶习性在线评估 |
| 4.5 本章小结 |
| 第5章 复杂场景中个性化人机共驾策略研究 |
| 5.1 人机协同共驾策略逻辑框架 |
| 5.1.1 人机协同共驾策略逻辑框架 |
| 5.1.2 驾驶权仲裁机制及共驾策略评价准则 |
| 5.2 考虑混合可观不确定性的“类我”决策逻辑 |
| 5.2.1 “类我”决策逻辑框架 |
| 5.2.2 “类我”决策逻辑元组设计 |
| 5.2.3 MOMDP近似求解器 |
| 5.2.4 “类我”决策逻辑验证 |
| 5.3 个性化人机共驾策略验证 |
| 5.3.1 模拟器平台下的个性化人机共驾策略验证 |
| 5.3.2 实车平台下的个性化人机共驾策略验证 |
| 5.4 本章小结 |
| 第6章 全文总结及展望 |
| 6.1 研究内容总结 |
| 6.2 全文创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（7）分布式驱动电动汽车主动后轮转向与转矩分配协调控制（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 分布式驱动电动汽车国内外研究现状 |
| 1.2.2 基于轮胎侧向力控制国内外研究现状 |
| 1.2.3 基于轮胎纵向力控制国内外研究现状 |
| 1.2.4 车辆稳定性协调控制国内外研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 技术路线 |
| 第二章 分布式驱动电动汽车动力学建模 |
| 2.1 概述 |
| 2.2 车辆动力学模型 |
| 2.2.1 坐标系与模型简化 |
| 2.2.2 车体动力学模型 |
| 2.2.3 车轮动力学模型 |
| 2.2.4 垂向载荷计算模块 |
| 2.3 轮胎模型 |
| 2.4 驱动电机模型 |
| 2.5 驾驶员模型 |
| 2.6 车辆动力学模型仿真试验分析 |
| 2.6.1 与Carsim模型对比分析 |
| 2.6.2 驾驶员模型闭环响应验证 |
| 2.7 本章小结 |
| 第三章 模糊自适应主动后轮转向车辆最优控制 |
| 3.1 车辆跟踪模型 |
| 3.1.1 控制变量选择 |
| 3.1.2 车辆参考模型 |
| 3.2 主动后轮转向最优控制研究 |
| 3.2.1 线性二次型最优控制 |
| 3.2.2 主动后轮转向最优控制器 |
| 3.3 模糊参数调节器 |
| 3.3.1 参数分析 |
| 3.3.2 模糊控制器设计 |
| 3.4 仿真分析 |
| 3.4.1 正弦响应试验 |
| 3.4.2 标准双移线试验 |
| 3.5 车辆闭环操纵系统主动安全性综合评价 |
| 3.6 本章小结 |
| 第四章 主动后轮转向与转矩分配协调控制研究 |
| 4.1 车辆失稳判定 |
| 4.2 车辆稳定性协调控制策略 |
| 4.2.1 速度控制器设计 |
| 4.2.2 车辆横摆稳定性控制器设计 |
| 4.3 转矩优化分配控制 |
| 4.3.1 优化目标函数建立 |
| 4.3.2 约束条件 |
| 4.3.3 优化算法选择 |
| 4.4 仿真研究 |
| 4.4.1 正弦响应试验 |
| 4.4.2 闭环响应试验 |
| 4.5 本章小结 |
| 第五章 结论与展望 |
| 5.1 全文总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
（8）驾校学员建模与基于MPC的教练决策研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 汽车驾驶模拟器研究现状 |
| 1.2.2 驾驶员模型研究现状 |
| 1.2.3 仿人的车辆运动控制算法研究现状 |
| 1.2.4 现有研究的不足 |
| 1.3 本文研究内容 |
| 1.3.1 创新点 |
| 1.3.2 本文的主要工作与内容安排 |
| 2 驾校学员特性分析与学员模型建立 |
| 2.1 引言 |
| 2.2 驾校学员特性分析 |
| 2.2.1 学员特性的分析 |
| 2.2.2 学员特性的表示 |
| 2.3 学员模型建立 |
| 2.4 学员模型参数估计 |
| 2.4.1 参数估计方法选择 |
| 2.4.2 无教练指导下学员模型参数估计 |
| 2.4.3 有教练指导下学员模型参数估计 |
| 2.5 仿真实现与案例分析 |
| 2.5.1 数据集来源 |
| 2.5.2 无教练指导下学员模型评估 |
| 2.5.3 有教练指导下学员模型评估 |
| 2.6 本章小结 |
| 3 驾校教练MPC决策算法设计 |
| 3.1 引言 |
| 3.2 教练特性分析 |
| 3.3 基于MPC教练控制方案 |
| 3.3.1 模型预测控制 |
| 3.3.2 基于MPC教练控制方案 |
| 3.4 基于MPC的教练设计 |
| 3.4.1 基于MPC的教练模型 |
| 3.4.2 学员-车辆系统建模 |
| 3.4.3 基于MPC的教练约束条件设计 |
| 3.4.4 基于MPC的教练目标函数设计 |
| 3.5 仿真案例与结果分析 |
| 3.6 本章小结 |
| 4 基于FCM的因材施教型教练系统设计 |
| 4.1 引言 |
| 4.2 驾校学员驾驶特性分类 |
| 4.2.1 学员驾驶特性参数选取 |
| 4.2.2 聚类分析方法选择 |
| 4.2.3 基于FCM的驾校学员驾驶特性分类 |
| 4.2.4 学员驾驶特性聚类分析结果 |
| 4.3 基于FCM的因材施教型教练系统设计 |
| 4.3.1 分类后学员特性分析 |
| 4.3.2 针对分类后学员的教练决策算法设计 |
| 4.4 仿真案例与结果分析 |
| 4.4.1 针对迟缓型学员的教练控制策略评估 |
| 4.4.2 针对急躁型学员的教练控制策略评估 |
| 4.4.3 针对一般型学员的教练控制策略评估 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 附录 |
| 附录1: 作者简介 |
| 附录2: 作者在攻读硕士期间的主要成果 |
（9）汽车避障路径规划及其主动安全性评价研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.1.1 选题背景 |
| 1.1.2 研究目的及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 路径规划技术研究现状 |
| 1.2.2 路径跟踪控制技术研究现状 |
| 1.2.3 主动安全性评价指标研究现状 |
| 1.3 目前存在问题 |
| 1.4 本文的主要研究工作 |
| 第二章 局部避障路径规划约束分析及道路环境模型建立 |
| 2.1 车辆运动学约束 |
| 2.1.1 车辆运动学模型 |
| 2.1.2 车辆运动学约束分析 |
| 2.2 障碍物约束 |
| 2.2.1 避障安全距离 |
| 2.2.2 障碍物约束分析 |
| 2.3 道路环境模型建立 |
| 2.3.1 道路环境特点分析 |
| 2.3.2 环境地图建模方法 |
| 2.3.3 基于MAKLINK图论法的道路环境模型建立 |
| 2.4 本章小结 |
| 第三章 局部避障路径规划算法研究 |
| 3.1 基于Dijkstra算法的初始次优避障路径规划 |
| 3.1.1 Dijkstra算法基本原理 |
| 3.1.2 基于Dijkstra算法的初始次优避障路径规划仿真 |
| 3.2 基于改进蚁群算法的局部避障路径规划 |
| 3.2.1 蚁群算法 |
| 3.2.2 蚁群算法基本原理 |
| 3.2.3 蚁群算法的改进 |
| 3.3 局部避障路径规划仿真分析 |
| 3.3.1 单障碍物环境下局部避障路径规划仿真分析 |
| 3.3.2 多障碍物环境下局部避障路径规划仿真分析 |
| 3.4 本章小结 |
| 第四章 路径跟踪控制及主动安全性评价指标 |
| 4.1 车辆动力学模型建立 |
| 4.1.1 三自由度车辆动力学模型 |
| 4.1.2 非线性轮胎模型 |
| 4.1.3 车辆模型验证 |
| 4.2 路径跟踪控制器 |
| 4.2.1 预瞄最优曲率驾驶员模型 |
| 4.2.2 基于侧向加速度反馈的自适应模糊-PID控制驾驶员模型 |
| 4.3 主动安全性评价指标 |
| 4.4 自适应模糊-PID驾驶员模型的仿真分析 |
| 4.4.1 基于主动安全性评价指标的最优预瞄时间 |
| 4.4.2 自适应模糊-PID驾驶员模型验证 |
| 4.5 本章小结 |
| 第五章 基于避障路径规划的汽车主动安全性评价 |
| 5.1 基于避障路径规划的自适应模糊-PID驾驶员-车辆联合仿真模型 |
| 5.2 仿真分析及主动安全性评价 |
| 5.2.1 单障碍物工况仿真分析 |
| 5.2.2 多障碍物工况仿真分析 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结和创新点 |
| 6.2 未来展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（10）电液复合转向系统不确定性优化设计研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 转向系统概述 |
| 1.2.1 液压助力转向系统 |
| 1.2.2 电动液压助力转向系统 |
| 1.2.3 电动助力转向系统 |
| 1.3 电液复合转向系统 |
| 1.4 转向系统优化设计研究现状 |
| 1.4.1 转向系统优化研究现状 |
| 1.4.2 不确定性优化方法研究现状 |
| 1.5 本文主要研究内容 |
| 第二章 电液复合转向系统能量流及动力学建模 |
| 2.1 电液复合转向系统动力学模型 |
| 2.1.1 电动转向模块动力学模型 |
| 2.1.2 液压转向模块动力学模型 |
| 2.1.3 机械转向模块动力学模型 |
| 2.2 电液复合转向系统能量流模型 |
| 2.2.1 机械转向模块能量流模型 |
| 2.2.2 液压转向模块能量流模型 |
| 2.2.3 电动转向模块能量流模型 |
| 2.3 电液复合转向系统多学科仿真模型 |
| 2.3.1 AMESim建模软件 |
| 2.3.2 电液复合转向系统仿真模型 |
| 2.3.3 仿真模型验证 |
| 2.4 本章小结 |
| 第三章 电液复合转向系统性能分析及确定性优化设计 |
| 3.1 电液复合转向系统性能分析 |
| 3.1.1 子系统级能量流分析 |
| 3.1.2 系统级能量流分析 |
| 3.1.3 转向能耗参数灵敏度分析 |
| 3.1.4 转向路感及回正分析 |
| 3.2 电液复合转向系统确定性优化设计 |
| 3.2.1 多目标优化问题 |
| 3.2.2 电液复合转向系统多目标优化模型 |
| 3.3 优化算法 |
| 3.3.1 多目标粒子群算法 |
| 3.3.2 竞争机制的多目标粒子群算法 |
| 3.4 优化结果与分析 |
| 3.5 本章小结 |
| 第四章 电液复合转向系统不确定性优化设计 |
| 4.1 电液复合转向系统不确定性因素 |
| 4.1.1 随机不确定性 |
| 4.1.2 认知不确定性 |
| 4.1.3 不确定性优化分类 |
| 4.2 不确定性分析 |
| 4.2.1 蒙特卡洛分析 |
| 4.2.2 6σ可靠性分析 |
| 4.3 电液复合转向系统不确定性优化设计 |
| 4.3.1 并行子空间优化方法 |
| 4.3.2 基于响应面的不确定性并行子空间优化方法 |
| 4.3.3 电液复合转向系统近似模型 |
| 4.3.4 电液复合转向系统不确定性优化模型 |
| 4.4 优化结果与分析 |
| 4.4.1 优化结果总体分析 |
| 4.4.2 优化结果对比分析 |
| 4.5 智能交通环境下的电液复合转向系统硬件在环试验 |
| 4.5.1 城市工况分析 |
| 4.5.2 中高速工况分析 |
| 4.5.3 总体分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
四、神经驾驶员·车·路闭环转向控制系统的研究（论文参考文献）
- [1]线控转向系统路感模拟与容错控制策略的研究[D]. 王晓峰. 安徽理工大学, 2021(02)
- [2]面向人机共驾控制权决策的人-车风险等级预测方法研究[D]. 郭柏苍. 吉林大学, 2021(01)
- [3]车辆换道意图识别和轨迹预测模型研究[D]. 沈航先. 东北林业大学, 2021(08)
- [4]智能汽车紧急避撞轨迹规划与路径跟踪控制策略研究[D]. 孙传扬. 北京交通大学, 2021(02)
- [5]基于多模式的客车驾驶辅助与规划控制策略研究[D]. 韩小健. 吉林大学, 2020(03)
- [6]考虑驾驶能力及驾驶习性的个性化人机共驾策略研究[D]. 孙博华. 吉林大学, 2020
- [7]分布式驱动电动汽车主动后轮转向与转矩分配协调控制[D]. 元加加. 江西理工大学, 2020(01)
- [8]驾校学员建模与基于MPC的教练决策研究[D]. 吴秋淑. 浙江大学, 2020(02)
- [9]汽车避障路径规划及其主动安全性评价研究[D]. 闫茜. 南京航空航天大学, 2020(07)
- [10]电液复合转向系统不确定性优化设计研究[D]. 周小川. 南京航空航天大学, 2020