无人驾驶矿用运输车辆感知及控制方法

针对当前矿区生产作业效率低下、安全事故频发等问题,提出了一种矿用运输车辆无人驾驶感知及控制方法。感知部分,设计出基于激光雷达和毫米波雷达融合的多目标识别架构,在数据关联的基础上,应用基于卡尔曼滤波的联合概率数据关联（JPDA）算法实现矿区环境下多目标识别;控制部分,采用路径预瞄-跟踪的方式,将横向控制与纵向控制进行解耦,并通过反馈机制实时进行偏差修正,实现无人驾驶矿用运输车辆精准的横向与纵向控制。此外,搭建了矿车无人驾驶系统平台,在矿区不同场景下对上述感知及控制方法进行了测试。实验结果表明,感知算法能够实现道路可行驶区域的精确检测,并可识别出多种障碍物类型,控制算法在上下坡等场景下可实现无人驾驶矿用运输车辆纵向速度和横向位置的精准控制,满足实际应用需求。      

基于卡尔曼滤波和ABS控制输入的车速估计

在现有的轮速估计算法基础上,研究了一种基于参数自适应卡尔曼滤波和ABS(Anti-lock Braking System)控制输入的车速估计算法.该算法首先以四轮轮速为输入,利用ABS控制状态信息估计车辆的制动减速度,然后综合减速度和轮速信息分别估计左、右侧的参考车速.使用自适应卡尔曼滤波针对不同的滑移状况更新协方差矩阵,并采用真实的ABS制动试验数据检验所提出的算法,结果表明:该算法在各种路面条件下都能估计得到合理的参考车速.      

基于滑模控制的车车协同主动避撞算法

传统的汽车主动避撞算法主要基于后车制动实现,但实际应用中会因为车距过近时仍无法避免追尾事故,以及由于紧急制动而造成驾驶员、乘客感到不适.需要从汽车行驶舒适性出发,利用车车通讯获取前车信息计算理想车间距,建立滑模控制方程计算出后车期望加速度,通过分配前后车加速度来完成协同主动避撞,由此保证了汽车行驶舒适性和安全性,弥补了传统算法的不足,并通过CarSim和Matlab/Simulink联合仿真验证了算法的可行性.      

考虑临近车道行人对交通流影响的改进跟驰模型

基于实际人车混合行驶的情形,提出了一个改进的车辆动力学模型。该模型考虑了邻车道或横向的行人、自行车等对主干道车辆的驾驶行为影响。基于经典的最优速度模型,将主干道车辆与行人之间的横向距离和纵向距离作为参数引入最优速度模型中。为了验证所提模型的稳定性和有效性,利用线性稳定性理论,推导出模型的稳定性条件和非稳定性条件,绘制中性稳定性曲线,直观描述了交通流稳定区域大小。理论结果表明:考虑横向行人干扰因素的改进跟驰模型比传统的只考虑单一车道车辆因素的跟驰模型更加的稳定,并且不同参数的变化,所引起的稳态区域也会发生变化。采用了更加真实的优化速度方程,通过仿真实验来描述车辆的驾驶行为;仿真实验列举了2种实际场景:行人稀少和行人较多时。分别绘制了车辆的速度-时间变化曲线以及车辆的时空图,实验结果表明:横向行人的确会干扰车辆的正常驾驶;不同场景下,行人数量的多寡也会对车辆的驾驶行为造成不同程度的影响。      

基于交通波的高速公路事故的交通影响分析

高速公路事故对交通拥堵的影响分析是高速公路事件管理的重要内容.课题以交通波理论为基础,分析两车道高速公路事故发生点上游排队车辆的集聚和消散过程,根据事故影响的车道数、清理时间和上游交通流量,建立高速公路交通事故时空影响模型.通过数值计算分析和专业微观交通仿真软件验证发现,本模型具有较高估算精度,能为高速公路事故影响的定量分析提供理论依据.     

汽车DYC滑模控制器设计及系统稳定性分析

直接横摆力矩控制(DYC,Direct Yaw Moment Control)可在极限工况下产生维持车辆稳定行驶所需的附加横摆力矩,从而提高汽车的主动安全性能.建立了能够满足汽车稳定性控制测试要求的非线性汽车动力学模型,设计了用于汽车DYC的滑模变结构控制器(SMC,Sliding Mode Controller),并利用李氏函数证明了系统的稳定性,最后在Matlab/Simulink环境下对SMC的稳定性和控制效果进行了仿真测试.仿真结果表明了控制算法的有效性,并通过与PID(Proportional-Integral-Derivative)算法控制效果的对比说明了SMC具有更好的鲁棒性,拥有更好的应用潜力.     

驾驶机器人机械腿动力学建模与仿真分析

为提高驾驶机器人的设计效率,对机器人的机械腿进行了动力学分析与建模,并建立了机器人驾驶车辆的联合仿真模型。机械腿动力学模型由机械结构和伺服电机两部分组成,其仿真模型由ADAMS和MATLAB/Simulink软件共同建立,在此基础上引入CarSim软件建立车辆模型,并以Simulink为平台建立了基于闭环速度控制的“驾驶机器人-车辆”联合仿真模型。仿真结果表明,驾驶机器人机械腿的动力学模型具有良好的动态响应特性,且所搭建的联合仿真模型能够完成基本的车速跟踪仿真实验,为下一步改进驾驶机器人的机械结构及控制策略提供了虚拟样机模型。      

基于神经网络的车辆强制换道预测模型

针对高速公路上车辆行驶速度快，换道行为危险程度高的问题，聚焦于不可避免、发生频繁、一旦发生事故后果严重的强制换道行为，改进基于门控循环单元(GRU)的换道模型，对强制换道行为进行分析与预测。为保证模型的有效性，选取下一代仿真技术(NGSIM)数据作为模型的训练集与检测集，使用侧向加速度将车辆侧向摆动数据有效删除并得到强制换道的最迟换道点，进而实现车辆位置与换道决策的预测。实验结果证明，所提模型能够以96.01%的准确率判定车辆在最迟换道点的强制换道行为，相较于LSTM模型准确率提升了3.67%，同时相较于朴素贝叶斯网络准确率提高了7.31%。